Improving the accuracy of indoor positioning system

Abstract

İç mekan konum belirleme uygulamaları, nispeten daha küçük alanlarda kullanılmak ve mevcut engellerle başa çıkmak için dış mekan konum belirleme yöntemlerinden daha yüksek doğruluk ve hassasiyet gerektirir. İç mekandaki bir nesnenin veya insanın konumlarını belirlemek için kullanılabilecek çeşitli yöntemler bulunmaktadır. Özellikle, Ultra geniş bant (UWB) sensör teknolojisi, yüksek doğruluğu, bozuculara olan direnci ve iç mekan uygulamalarında geniş bant sinyallerinin her taraftan algınabilmesi özelliği sayesinde iç mekan konum belirlemede gelecek vaad eden bir teknolojidir.Bu tez çalışması, UWB sensör tabanlı iç mekan konum belirleme sisteminin doğruluğunu arttırmaya odaklanmıştır. Bunu başarmak için, optimizasyon ve makine öğrenmesi algoritmaları kullanılmıştır. Kalman Filtresi (KF)'nin konum belirleme doğruluğu üzerindeki etkisi algoritmaların uygulanması esnasında görülmüş ve açıklanmıştır.Büyük patlama - büyük çöküş algoritması (BB-BC), Kalman filtresiyle birleştirildiğinde, ortalama konum belirleme hatasının yaklaşık %54,53 oranındığı görülmüştür (16,34 cm'den 7,43 cm'ye düşer). Son olarak, bir Hibrit (BB-BC KF K-Ortalamalar) algoritma ayrı olarak geliştirilmiş ve uygulanmıştır, en iyi sonuçlar bu Hibrit algoritmadan elde edilmiştir. Bu sayede, ortalama lokalizasyon hatasının yaklaşık %64,26 oranında (16,34 cm'den 5,84 cm'ye) önemli ölçüde azaldığı belirlenmiştir.

Indoor positioning applications needs high accuracy and precision to overcome the existing obstacles and relatively small areas. There are several methods which could be used to locate an object or people in an indoor location. Specifically, Ultra-wide band (UWB) sensor technology is a promising technology in indoor environments because of its high accuracy, resistance of interference and better penetrating.This thesis is focused on improving the accuracy of UWB sensor based indoor positioning system. To achieve that, optimization and machine learning algorithms are implemented. The impact of Kalman Filter (KF) on the accuracy is introduced in the implementation of the algorithms.The average localization error is reduced by approximately 54.53% (from 16.34 cm to 7.43 cm), when combining the big bang - big crunch algorithm (BB-BC) with Kalman Filter. Finally, a Hybrid (BB-BC KF K-Means) algorithm is improved and implemented separately, and the best results are obtained from this Hybrid algorithm. Thus, it has been obtained that the average localization error is reduced significantly by approximately 64.26% (from 16.34 cm to 5.84 cm).