Radio map estimation with neural networks and active learning for indoor localization

Abstract

Bu tez çalışmasında, pratik bir bina içi lokalizasyon tekniği önerilmiştir. Gelişmiş yaklaşımların aksine, bu yeni yöntem, elektromanyetik dalgaların çok yollu dağılım problemi ve gölgeleme efekti ile ilgilenmez. Elektromanyetik dalgaların dağılım modelini de uygulamadığı için bina için her alan için azalma faktörü hesaplamaya da gerek duymaz. Bunun yerine bina içi pozisyon izleme problemi, gözlem modeli olarak radyo frekans haritası ve geçiş modeli olarak difüzyon modeli kullanan Saklı Markov Modeli ile modellenmektedir. Radyo haritasının doğru tahminlenmesi kapalı ortam lokalizasyonunun hatasız yapılabilmesi için büyük önem taşımaktadır. Tahminlemenin doğru yapılabilmesi için ise elektromanyetik alandan yoğun parmak izi toplanması gerekmektedir. Radyo frekans sinyalleri ve lokasyon arasındaki lineer olmayan ilişki sebebiyle, yapay sinir ağları kullanılarak olasılıksal radyo haritası oluşturulmuştur. Elektromanyetik parmak izi toplama sürecinde kurulum ve ölçüm maliyeti yüksek olduğu için belirli noktalarda toplanan parmak izleri ile bir yapay sinir ağı eğitilmiş ve kapalı alandaki diğer noktalardaki parmak izleri tahminlenmiştir. Yapay sinir ağını eğitmek için kullanılacak parmak izlerinin radyo frekans haritası üzerinde çıkarılan belirsizlik analizi doğrultusunda seçimi için Gauss Süreci yöntemi kullanılmıştır. Derin yapay sinir ağı ile oluşturulmuş radyo haritaları ile eğitim verilerinin %30'unun çıkarılması iki farklı bina içi ortamının medyan hatalarında %1.3 ve %2.6 artışla sonuçlanmıştır. Bu durum konumlama doğruluğundan feragat etmeden toplanması gereken eğitim veri setinin azaltılabileceğini göstermektedir.

In this thesis, a practical indoor localization technique is proposed. In contrastto the state of art approaches, this practical approach does not deal with the multipathproblems and shadowing eects of electromagnetic signals as well as it does notrequire calculating the attenuation factors for each space because it does not apply thepropagation model. Instead, indoor localization, by exploiting electromagnetic scatteringproperties of local area networks, is formulated as a tracking problem using aHidden Markov model with a radio map as the observation model. Because of thenon-linear relationship between radio frequency signals' strength and location, a probabilisticradio map is generated by using Neural Networks. Accurate estimation of theradio map is key in accurate indoor localization but this requires dense sampling of theelectromagnetic eld, also named as ngerprinting. To decrease the time consumptionof ngerprinting process, we train the neural network using an active learning strategybased on uncertainty sampling, aided by a Gaussian process. With the radio mapsgenerated by a deep neural network, 30% of training data can be removed and thisresults in an increase of 1:3% and 2:6% in median error in two dierent test areas. Itis concluded that without trading o localization accuracy training data size can bereduced by one third.