Professional Documents
Culture Documents
Üç Boytulu Uzayda Ve Kapali Ortamlarda Bi̇r Mobi̇l Robotun Konum Ve Hedef Tespi̇t
Üç Boytulu Uzayda Ve Kapali Ortamlarda Bi̇r Mobi̇l Robotun Konum Ve Hedef Tespi̇t
Danışman
Dr.Öğr. Üyesi Serkan Kurt
Temmuz , 2019
T.C.
v
İÇİNDEKİLER
KISALTMA LİSTESİ ix
ŞEKİL LİSTESİ x
TABLO LİSTESİ xi
ÖZET xii
ABSTRACT xiv
1 Giriş ............................................................................................................................................................ 1
vi
2.3.10 Yapısal Sağlık Takibi ..................................................................................................... 9
3 Metodoloji ........................................................................................................................................21
Kaynakça ...................................................................................................................................................36
vii
Tezden Üretilmiş Yayınlar ................................................................................................................42
viii
SİMGE LİSTESİ
E Küre Sayısı
L Tahmini Konum
O Vektör
ix
KISALTMA LİSTESİ
x
UWB Ultra Geniş Bant (Ultra Wideband)
WSN Telsiz Sensör Ağı (Wireless Sensor Networks)
xi
ŞEKİL LİSTESİ
Şekil 3.1 Örnek alan ile sabit referans noktaları ve yolculuk yapan robotlar ............ 22
Şekil 4.1 Ortalama fonksiyonu kullanan alandaki sabit nokta ve robot sayısına karşı
Şekil 4.2 Ortalama işlevi kullanan alandaki sabit nokta ve robot sayısına karşı
xii
TABLO LİSTESİ
Tablo 4.1 Ortalama fonksiyonunu kullanarak alandaki her bir sabit nokta ve
robot sayısı için ortalama konumlandırmhatası…………......………...…..……26
Tablo 4.2 Ortalama fonksiyon kullanan alandaki her sabit nokta ve
robot sayısı başına ortalama konumlandırma hatası………...……….………….28
Tablo 4.3 Ortalama ve medyan fonksiyonlar için her refe noktası için
ortalama konumlandırma hatası………………….……………………………..……….30
Tablo 4.4 Ortalama ve ortanca işlevlerini kullanan önerilen yöntem için her
referans noktası için ortalama konumlandırma süre……..………….…….…...31
xiii
ÖZET
Birçok uygulamada farklı görevler için mobil robotların kullanım oranı ve etkinliği
artmakta ve bu robotlar için lokalizasyon ve gövde pozisyon bilgi ihtiyacı önem arz
etmektedir. Bir mobil robotun koordinatlarını, bu robot ile bir dizi referans noktası
arasında ölçülen mesafelere göre hesaplamak için birçok teknik bulunmaktadır. Ayrıca
gövde pozisyonu ve robotun yönünü tespit etmek için ivme ölçer ve jiroskop gibi dahili
algılayıcı ve dönüştürücü (tezin devamında algılayıcı ve dönüştürücü yerine sensör
kelimesi kullanılacaktır) kullanılır. Bununla birlikte, kapalı ortamdaki engellerin varlığı
ve sensörlerin limit değerlerinin olması bu tür sistemlerin uygulanabilirliğini
sınırlandırmaktadır. Bu nedenle, bu çalışmada, kapalı ortamda kayıp bir mobil robotun
konumunu ve gövde pozisyonunu bildiren yöntem geliştirilmiştir. Önerilen teknikte ki
mobil robot veya robotlar, birbirlerine referans noktaları sağlayarak konumlandırma
doğruluğunu geliştirmek için işbirliği yapmaktadır. Belirli bir robotun her bir
hareketinin yürütülmesi sırasında, gerekli referans noktaları sağlamak için diğer
robotlar sabit kalır. Mobil robot konum değişikliğine dayalı hareketini tamamladığında,
konumu diğer robotlardan toplanan sinyallerin yanı sıra, yerleşik sensörlerden
hesaplanan konumlara göre güncellenir. Daha sonra, hareketini yürütmek için başka
bir robot seçilir. Aday pozisyonları arasında, robotun koordinatlarını seçmek için
xiv
kullanılırsa medyan işler. Sonuçlar, önerilen yöntemin, artan sayıda işbirliği yapan
robotlar ile konumlandırma doğruluğunu geliştirebildiğini göstermektedir.
Matematiksel hesaplamada determinantın sıfır olması durumunda işleme devam
edilebilmesi için sözde-ters matrisinden faydalanılmıştır.
Anahtar Kelimeler: Mobil robot, hedef belirleme, kapalı ortamlarda konum belirleme,
sözde ters (Pseudo-inverse) matrisi.
ABSTRAC
YILDIZ TEKNİK ÜNİVERSİTESİ
FEN BİLİMLERİ
xv ENSTİTÜSÜ
abstract
With the increasing employment of mobile robots to achieve different tasks in many
applications, the need for localization and body position for these robots is increasing
rapidly. At first, many techniques are proposed to calculate the coordinates of a robot
based on the distances measured between that robot and a set of reference points. Also,
internal sensors, such as accelerometers and gyroscopes are used to detect the body
position and the direction of the robot. However, the effect of obstacles in an indoor
environment and sensors drifts still limit the applicability of such systems. Thus, in this
study, a novel technique that uses one or more robots to compensate for the missing
stationary points is proposed. The robots in the proposed technique collaborate to
improve the positioning accuracy, by providing reference points to each other. Per each
movement execution of a certain robot, the remaining robots remain stationary, to
provide the required reference points. When the robot finishes the movement
execution, its position is updated based on the signals collected from the other robots,
as well as, the positioned calculated from the onboard sensors. Then, another robot is
selected to execute its movement. For this purpose, the pseudo-inverse matrix was also
utilized to continiue when determinant result is zero.
xvi
Keywords: Mobile robot, target detection, indoor localization, pseudo-inverse matrix
xvii
1
Giriş
Global Konumlama Sistemi (GPS), dünya üzerindeki belirli bir konumdan belirli bir
varış noktasına gitmek için kullanılır. İlk olarak GPS, Amerika Birleşik Devletleri
askeri hizmetleri için bir Küresel Navigasyon Uydu Sistemi (GNSS) olarak geliştirildi,
ancak şu anda sivil ve ticari amaçlar için de kullanılmaktadır. Mevcut GNSS en az
dört ya da daha fazla uyduya sahip yuvarlak bir yörüngede düzenlenmiş dağılmış
şekil 1.1’de de görüldüğü gibi en az 24 aktif uydudan oluşan bir sistemdir. GPS, dış
ortam uygulamaları için iyi bilinen bir navigasyon sistemidir, ancak sivil kullanıcılar
için GPS'in doğruluğu sınırlıdır ve mutlak veya göreceli konumlamaya bağlı olarak
metre ile onlarca metre arasında değişebilir. Bununla birlikte, GPS uyduları ile
bağlantı, alıcı bir iç ortam içerisine yerleştirildiğinde başarısız olma eğilimindedir,
bu da konum belirsizliklerinde bir artışa ve hatta lokalizasyonun yapılmamasına
neden olur. Bina araları veya kapalı ortamlarda GPS sinyali zayırlar, bozulabilir veya
kaybolabilir. Bozulma veya zayıflama miktarı binanın yapısının türüne bağlıdır,
örneğin, bir GPS sinyali camdan geçer ancak beton duvarlardan geçemez. Başka bir
GPS hatası, ilk iletilen sinyalin alıcının çevresindeki nesnelere yansımasından
kaynaklanır [1].
İç yani kapalı ortamlarda konum bilgisine dayalı çalışmak GPS sinyalleri iç ortama
iletilmiyorsa yerelleştirme için kritik bir zorluktur, çünkü alıcı ile GPS siyali arasında
Görüş Hattı yoktur (LOS). Ayrıca, iç ortamların daha küçük ölçekli ve daha karmaşık
geometrileri nedeniyle, dış ortam lokalizasyonu ile karşılaştırıldığında daha iyi
doğruluk gerekecektir. GPS alıcılarının iç ortam ortamlarında yeterince
çalışamamaları, yeni iç ortam lokalizasyonu tekniklerine yönelik araştırmalara
ihtiyaç duyulmuştur [2]. Bu yaklaşımlar, bir cep telefonunun konumunu değiştiren
bazı kablosuz sinyallerin fiziksel miktarlarını ölçerek belirleyen Beacon tabanlı
çözümlere ayrılabilir. Pozisyon ve kör adım tekniği olarak adlandırılan konum
değişikliklerini tespit etmek için mobil sensörler kullanan Beacon içermeyen
çözümler aynı zamanda sadece ivme ölçerler, jiroskoplar, manyetometreler ve
barometreler gibi mobil sensörlere dayanan Beacon olmayan lokalizasyon
1
teknikleri bilinen bir başlangıç noktasından yer değiştirmelerini sürekli tahmin
ederek kullanıcıları izlemektedir. Bununla birlikte, sensör kör adım, her zaman
başlangıç konumunu ve ayrıca mobil sensörlerin doğal düşük hassasiyetini ve
sırayla sensör okumalarını bütünleştirme zorunluluğunu bilmek gerektiğinden, iç
mekan lokalizasyonu için bağımsız bir çözüm değildir. Bir pozisyonu ölçmek kabul
edilemez bir hata birikimine neden olur. Bununla birlikte, konum değişikliklerine
duyarlı çoklu sensörler mobil cihazlarda giderek daha popüler hale geldiğinden,
bunları şimdi iç mekan lokalizasyonu için genel bir eğilim haline gelen çeşitli konum
tahmin teknikleri kaynaklarının avantajlarını birleştiren hibrit lokalizasyon
çözümlerine dahil etmek mümkündür.
2
doğruluk ve güvenilirlik açısından önemli performans iyileştirmeleri
sağlayabildiğini gösterir [3].
Qian ve Ark tarafından en son akıllı telefonlarda kolayca bulunabilen ivme ölçer,
manyetometre ve jiroskop kullanan iç ortamlar için akıllı telefon tabanlı bir
konumlandırma sistemi sunar. Akıllı telefonlarda karmaşık insan hareketlerini ve
gürültülü atalet sensörlerini ele almak için iç mekan konumlandırma yöntemini
kullanarak. Sistemin yanında ek altyapı veya maliyetli donanım gerektirmez. Deney
için iPhone 4S iç mekanlarda pratik kullanımını kullandı ve doğruladı. Sonuçlar,
akıllı telefonlardaki çeşitli mobil servisler için sistemin, geleneksel yöntemlerin 1,71
katına kadar performans kazancı sağlayan temel bir sistem olarak kabul edilebilir
olduğunu göstermektedir [4].
Zhang ve Ark inden alıcılara açma-kapama tuş takımı (OOK) mesajları göndermek
için görünür ışık kullanır. Her bir ampul, alıcının birden fazla mesaj almasını
önlemek için, belirli bir zaman diliminde bu ampulün konumunu almak için
kullanılabilecek bir belirleyici mesaj gönderir. Işığın alıcı ucundaki yoğunluğunu ve
ışığın sensöre yansıtıldığı açıyı ölçerek, nesnenin konumunu hesaplamak için
doğrusal en küçük kare tahmin yöntemi kullanılır. Bu yöntemin sonuçları, dolaylı
güneş ışığı ve LED ampullerin uygun şekilde yerleştirildiği bir ortamda böyle bir
teknik kullanılarak 5.9 cm'ye kadar konumlandırma doğruluğunun elde
edilebileceğini göstermektedir. Bununla birlikte, görülebilen ışık, ampul ile alıcı
arasındaki görüş hattını kesebilecek ve alıcının bu referans noktasını göz önünde
bulundurmasını engelleyebilecek veya yanlış hesaplanmış bir mesafe ile sonuçlanan
ışığın bir yansımasını alabilecek engellerden büyük ölçüde etkilenir[5].
3
engellerin yeri ne zaman değiştirilirse, bu sınıflandırıcı için yeni simülasyon
verilerinin toplanması ihtiyacını dayatır [6].
- İç mekanda kaybolan bir mobil robotun konumn bilgisi bilenen bir başka mobil
robot aracılığı ile konum ve gövde pozisyon bilgilerinin yeniden kazandırılmasını
sağlamaktır.
- Konumn bilgisi hesabında dahili sensörler ile kapalı ortamda bulunan erişim
noktasından alınan bilgilerin en uygun şekilde matematiksel modeller ile konum ve
gövde pozisyon bilgisinin doğruluğu artırılmasıdır.
1.3 Hipotez
4
Bu eğlimme, sensörler tarafından toplanan gürültü sinyallerinin biriktirici
etkisinden kaynaklanmaktadır.
5
2
Konum Belirleme Yöntemleri
2.2.1 Yakınlık
Bağlantı veya hücre temelli lokalizasyon olarak da bilinen yakınlık bir yöntemdir,
Bir sensörün yakınında bir nesne varsa, sembolik bağlı konum bilgisi sağlayan
yöntemlere ifade eder. Manyetik bir bandın uygun bir okuyucuya sunulması veya
sensörün çevresinde manyetik alanda değişim gibi fiziksel bir miktarın izlenmesi ile
nesnenin yakınlığı fiziksel temas yoluyla tespit edilebilir. Yakınlık tabanlı
6
sistemlerde, bir mobil hedef, tek bir referans noktası tarafından tespit edildiğinde,
mobil konum onunla ilişkilendirilir. Bir hedef birden fazla referans noktası
tarafından tespit edildiğinde, mobil hedefin pozisyonu, en güçlü sinyale sahip olan
referans noktasına yönlendirilir. Centroid tespiti, bir referans noktası pozisyonları
grubunun centroidini veya alternatif olarak ağırlıklı bir centroid'i hesaplayarak
sonuçları iyileştirebilir. Ayrıca RSS ağırlıklarını veya bağlantı değerlerini ağırlık
olarak kullanarak konum hesaplanabilir. İyi bir lokalizasyon doğruluğu sağlamak
için yakınlık yaklaşımları yoğun bir referans noktası dağıtımına dayanmaktadır. Bu
nedenle, yakınlık yaklaşımları tipik olarak bir hedefin varlığını tespit edebilen ancak
RSS veya zaman ölçümleri alamayan sistemlerde uygulanır. Özellikle, Kablosuz
Sensör Ağları (WSN) [10], Bluetooth Düşük Enerji (Bluetooth LE veya sadece BTLE)
[11, 12, 13], RFID [14] ve Yakın Alan İletişimi (NFC) [15] kullanan sistemler
genellikle bu yönteme dayanmaktadır. Diğer bir örnek, uzun menzilli hücresel
ağlarda yaygın olarak kullanılan hücre tanımlaması veya Hücre Kimliğidir. Hücre
Kimliği, kullanılan Baz Alıcı-Verici İstasyonunu (BTS) ve bir veri tabanında
depolanan ve yaklaşık bir mobil bağlantı yeri olarak kabul edilen ve bilinen BTS
konumunu tanımlamak için benzersiz bir kod kullanılır. Cell ID yaklaşımının
avantajları basit ve her yerde bulunabilmesi ve hücresel ağ teknolojisini destekleyen
herhangi bir cihaz tarafından ek gereklilikler olmadan kullanılabilmesidir.
Aşağıdaki uygulamaların listesi, kapalı konumlandırma için her yerde hazır olan
ihtiyacı göstermektedir.Ayrıca, performansın iyileştirilmesi ile birlikte, iç mekan
7
konumlandırma sistemlerinin gelecek nesilleri şu anda mümkün olmayan daha da
fazla uygulama bulacaktır.
Bir mobil cihazla erişilebilir içeriğe bağlı bilgileri sağlamak için coğrafi konumdan
yararlanan hizmetlerdır. Bu tür hizmetler iç ve dış mekanlarda gereklidir. İç mekan
LBS örnekleri, güvenlik bilgileri veya sinemalar hakkında güncel bilgiler edinmeyi
sağlar.Civardaki konserler veya etkinlikler. LBS uygulamaları bir alışveriş
merkezinde doğru mağazaya navigasyon içerir.
Hastanelerde acil durumlarda tıbbi personelin lokasyon takibi giderek daha önemli
hale geldi. Hastanedeki tıbbi uygulamalar da hasta ve ekipmanı içerir izleme .
hastaların düşme tespiti. Ameliyat sırasında robot yardımı için kesin
konumlandırma gereklidir.
2.3.4 Sosyal Ağ
Genç neslin bir üyesi olarak ağa katılım giderek daha önemli hale geldi çünkü sosyal
entegrasyon sosyal ağ üzerinden yönetiliyor. lokasyon sosyal ağlarda merkezi bir
rol oynamaktadır, örenein rtak faaliyetleri koordine edecek arkadaşların yerini
belirleme.
8
(WSN) olarak birden fazla sensör düğümü düzenlenmiştir. Bir WSN, kablosuz
iletişim için sınırlı işlem ve bilgi işlem kaynaklarına ve radyolara sahip küçük, ucuz,
mekansal olarak dağıtılmış özerk düğümlerden oluşur.
2.3.7 Müzeler
9
2.4 Lokalizasyon Teknolojileri
Lokalizasyon teknolojileri, şekil 2.1'de sınıflandırılan RF, ışık dalgası, akustik dalga
ve MEMS sensörlerine göre sınıflandırılabilir. Tez, MEMS sensörlerine dayalı kapalı
lokalizasyon yaklaşımlarını incelemeyi hedeflediğinden, bu teknolojilere dayanan
yerelleştirme çözümlerine genel bir bakış vurgulanmaktadır.
RFID Etiketleri
Görülebilir ışık
Işık dalgası
Kızılötesi
Yerelleştirme
Teknolojileri Ortam Sesi
Akustik Dalga
Ultrason
Atalet Sensörleri
Atmosferik basınç
2.4.1 RF Teknolojileri
RF (Radyo Frekansı), Geniş Alan Ağları (WAN), Kablosuz Kişisel Alan Ağları (WPAN),
RFID etiketleri, NFC vb. Dahil olmak üzere, iç mekanda lokalizasyon için en yaygın
kullanılan teknolojilerdir. WAN, GPS, hücresel ağlar, TV ve FM radyo sinyallerini
içerir, WiFi, Bluetooth, WSN ve UWB WPAN ailesine aittir.
10
2.4.2 GPS
GPS, bugüne kadar dünya çapındaki kullanıcılara dış mekanlarda doğru ve güvenilir
konumlandırma ve navigasyon hizmetleri sunan en başarılı lokalizasyon sistemidir
[20].
Ancak, iç ortamlardaki GPS sinyalinin zayıf kapsamı iç ortamlardaki kullanılamaz
hale getirir. Sonuç olarak, iç mekanda GPS'in kısa gelmesinin üstesinden gelmek ve
iç mekanda yerelleştirme için uygun hale getirmek için farklı yaklaşımlar önerildi.
Yeni donanım tasarımları ve yardımlı GPS teknikleri de dahil olmak üzere zayıf
sinyallerin izlenmesine yardımcı olmak için GPS alıcılarının hassasiyetinin
geliştirilmesine yönelik çabalar [21, 22, 23, 24] Bu çabalar, GPS'in lokalizasyon
doğruluğunu arttırdı, bir testte, çoğunlukla ahşap ve beton sıvadan oluşan bir konut
binasında 6 ila 16 metre hassasiyet elde etmeyi sağladı [25] .Bununla birlikte, bu tür
yaklaşımlar GPS sinyallerinin tamamen engellendiği daha karmaşık iç ortamlarda
yeterli olmaktan uzaktır. Diğer bir çözüm tipi ise GPS benzeri, sinyalleri, GPS
psödolitleri ve tekrarlayıcıları olarak bilinen tekrarlayan yerel istasyonları ve
antenleri kullanmaktır [26].
Hücresel bir şebeke, hücreler olarak bilinen bölgelere dağılmış uzun menzilli bir
kablosuz ağdır, her biri en az bir sabit konumlu alıcı-verici tarafından
sunulmaktadır, baz istasyonu olarak adlandırılır. Hücresel iletişim teknolojisi, 2G,
3G ve 4G gibi nesillerine göre sınıflandırılmış ve adlandırılmış birçok teknik
standarda sahiptir. Hücresel şebekelere dayanan yerelleştirme sistemleri, iyi iç
mekan sinyal penetrasyonundan, geniş kapsama alanından, mevcut altyapıdan
yararlanır, uzun vadeli operasyonel kararlılık ve çoklu frekans bantları. Hücresel
ağlar dünya genelinde nispeten tek tip standartlara sahiptir ve çok sayıda mobil
iletişim cihazı tarafından desteklenmektedir. Hücresel şebekeler arasında GSM
şimdiye dek en yaygın kullanılan cep telefonu dünyada standarddır [27].
11
açıkça daha fazlasını sunarlar. GPS tabanlı çözümlerden daha fazla iç mekan
kapsama alanı. Bir yerelleştirme çözümünün uygulanması, mevcut yayın sinyalinde
herhangi bir değişiklik yapılmasını da gerektirmez. TV yayını dijitalleşirken,
senkronizasyon sinyalleri doğru iç ve dış mekan lokalizasyonu için kullandığı TV
ağlarına dahil edildi [25]. güvenilir ve doğru konumlandırma elde etmek için önemli
Dijital TV altyapısını kullandı. TV senkronizasyon sinyallerinin doğru konum
hesaplaması için kesin zamanlamasını elde etmek için, bilinen konumlardaki
monitör üniteleri, TV vericileri saat ofset bilgisini yayınlamadıkları durumlarda, TV
istasyonu saat ofsetlerini bağımsız olarak izlemek için kullanılır[28, 29, 30].
2.4.5 WiFi
WiFi, teknik olarak 2.4 ve 5 GHz Endüstriyel, Bilimsel ve Medikal'de çalışan 802.11
IEEE ağ standardını temel alan bir WPAN protokolü türünü temsil eden bir endüstri
terimidir. (ISM) radyo bantları. Verileri kablosuz olarak iletmenin en popüler
yoludur ve ev, işletme ve halka açık yerler için yaygın olarak kullanılır. Halen 1300
Mbit / s veri hızında çalışmaktadır ve yaklaşık 70 metredir. WiFi sıcak noktalarının
hem ev hem de kamuya açık ortamlarda giderek yaygınlaştırılmasıyla, WiFi
altyapılarını kullanan iç mekan yerelleştirmesi yoğun olarak incelenmektedir. WiFi
ağlarına dayanan iç mekan lokalizasyonunun büyük çoğunluğu, iki aşamalı parmak
izi tekniğini, yani “çevrimiçi” testi izleyen çevrimdışı bir “eğitim” basamağını
kullanmayı gerektirir[3]. Çevrimdışı WiFi parmak izi veritabanı, genellikle bir dizi
WiFi Erişim Noktasından (AP) gelen RSS değerlerinden oluşur [32]. insan vücudu
WiFi sinyallerinin yayılımını etkilediğinden ve farklı yönlere bakacak şekilde
kaydedilen RSS farklı olacağından, parmak izleri farklı konumlara yardım etmek ve
kabaca kullanıcı yönelimini tahmin etmek için dört yönde kaydedildi. Yer tahmini
genellikle çevrimiçi olarak kaydedilmiş bir RSS parmak izi ile eğitim veritabanında
depolanan bir parmak izi arasında en iyi eşleşmeyi bulma temelinde yapılır
[33].ancak, sinir ağları ve SVM gibi daha karmaşık sınıflandırma teknikleri de
kullanılabilir[34].
2.4.6 Bluetooth
Bluetooth, WPAN için başka bir kablosuz standarttır ve ayrıca 2.4 GHz ISM bandında
da çalışır.Çok çeşitli uygulamalara sahiptir ve kolaylık ve işlevselliği
artırmıştır.Taşınabilir cihazların birbirleriyle etkileşime girmeleri için basit bir yol
12
sağlayarak. Bluetooth, güçlü dar bant girişime daha az duyarlı olan 1 MHz
genişliğindeki kanallarla frekans atlama tekniği kullanır [64]. Ancak, Bluetooth aynı
radyo bandında çalışan diğer cihazlardan şiddetli parazit çekiyor. WiFi ağlarında
kullanılan yerelleştirme tekniklerinin birçoğu, Bluetooth tabanlı yerelleştirme için
kullanılan iki ana tekniği RSS tabanlı parmak izi ve üçgenleme ile de Bluetooth'a
uygular. WiFi ağlarında kullanılan yerelleştirme tekniklerinin birçoğu, Bluetooth
tabanlı yerelleştirme için kullanılan iki ana tekniği RSS tabanlı parmak izi ve
üçgenleme ile de Bluetooth'a uygular. RSS ve mobilin yönlendirmesi, her Bluetooth
düğümüne bağlanan bir mobil cihaz olarak ölçülmüştür daha sonra yerelleştirme
modeli oluşturmak için çoklu sinir ağları kullanıldı [36]. RSS parmak izi ve RSS
tabanlı göçü birleştiren karma bir yaklaşım önerdi. RSS parmak izi sonuçları, LDPL
yayılma düzeninin parametrelerini tahmin etmek için kullanılır ve ortaya çıkan
LDPL modeli, RSS tabanlı yayılmadan koordinatlar elde etmek için kullanılır.
WSN, işlemci, depolama donanımına sahip düşük güçlü cihazlar olan küçük
düğümlerden oluşur, bir güç kaynağı, bir alıcı verici ve bir veya daha fazla sensör ve
bazı durumlarda bir aktüatör ile birlikte. Her bir düğüm çevreyi algılayabilir, basit
hesaplamalar yapabilir ve diğer düğümlerle veya merkezi bir hizmet birimiyle
iletişim kurabilir. Tipik olarak, bir WSN'nin konuşlandırılması, düğümleri bir ilgi
alanı boyunca "saçmak" suretiyle elde edilir, böylece ağ topolojisi yapılır rasgele.
Özel ağ teknikleri sıklıkla kullanılır, bu nedenle merkezi bir yönlendirici veya
kablosuz baz istasyonuna duyulan ihtiyacı ortadan kaldırır. Çoğu uygulama IEEE
802.15.4 ve ZigBee'yi kullanmasına rağmen, WSN Bluetooth, ZigBee, WiFi, UWB gibi
bir dizi kablosuz teknolojiyi kullanabilir [37]. Yerelleştirme önemli bir uygulama
yönüdür ve ayrıca WSN için temel bir ihtiyaçtır. WSN'de, çapa olarak bilinen bazı
sensör düğümleri kendi konumlarının farkındayken, yerelleştirme sorunu,
çapalardan elde edilen konum referanslarına dayanarak diğer düğümlerin
konumunu belirlemek içindir [38].
Bir RFID sistemi genellikle, kablosuz olarak erişebilen bir okuma cihazından oluşur.
tanınabilir bölgedeki ortamda bulunan etiketlerin elektronik olarak depolanan
bilgileri. Okuyucu, RF sinyallerini iletmek ve etiketlerden yayılan verileri okumak
13
için bir alıcı-verici içerir. Ortamda bulunan etiketler sinyali benzersiz bir tanımlama
kodu ekleyerek modüle ederek yansıtır. Etiketler pasif olabilir, gelen radyo
sinyalinden enerji çekebilir veya bir batarya ile çalıştırılabilir. RFID sistemleri dört
frekans bandında çalışır: Düşük Frekans (LF) (125 kHz), Yüksek Frekans (HF)
(13.56 MHz), Ultra Yüksek Frekans (UHF) (433,868–915 MHz) ve mikrodalga
frekansı (2.45 GHz, 5.8 GHz). RFID yakındaki etiketli nesneleri tespit edip
tanıyabildiğinden, yerelleştirme ve izleme için kullanılabilir. RFID sistemleri,
yukarıda açıklanan kısa menzilli Bluetooth ve WSN için belirtilen dağıtım şemalarını
ve konumlandırma algoritmalarının çoğunu paylaşır ve karşılaştırılabilir
yerelleştirme doğruluğuna sahiptir [77, 78].
UWB, 500 MHz veya daha fazla olan çok geniş bir spektral profile sahip olan
pikosaniye aralığında son derece kısa elektrik darbeleri kullanarak çok düşük güçlü
radyo sinyalleri iletir. Bant genişliği 500 MHz veya taşıyıcı frekansının% 20'sini
aşıyorsa, yayılan bir radyo dalgasının UWB olduğu kabul edilir. Yüksek bant
genişliği, UWB'nin birkaç metre mesafeden 480 Mbps'ye kadar 1,6 Gbps'ye kadar
yüksek kablosuz veri hızlarını desteklemesini sağlar. UWB, iç mekan yerleşimi için
doğal avantajlara sahiptir. Her şeyden önce, UWB tipik olarak çok az güç tüketir.
Ayrıca, dar bantlı sinyallerden farklı olarak, UWB sistemleri yoğun malzemelerden
etkili bir şekilde geçebilir ve çok kısa UWB darbeleri süresi onları daha az hassas
hale getirir çok yollu etki de [41]. UWB dalgalarına dayanan yer tahmini, UWB
darbelerinin yayılma zamanlarının kesin zaman ölçümleri olasılığı nedeniyle çok
doğru olabilir. TDOA alanındaki bir Diferansiyel Dürtü Yanıtı (DIR) göz önüne
alındığında, iç mekan lokalizasyonu için bir Geliştirilmiş TDOA (E-TDOA) ölçüm
tekniği önerdi; çoklu yolu yalnızca LOS TDOA katkısını ölçmek için hafifletir.
Yerelleştirme hassasiyetinin 1 metreden az olduğu bildirildi. Ek olarak, UWB
altyapısına dayanan RSS tabanlı gecikme yaklaşımının 0,1 ile 0,2 metre arasında
eşdeğer bir hassasiyete sahip olduğu bildirilmektedir [42].kullanıma hazır UWB
cihazları kullanılarak pasif bir kişi algılama ve yerelleştirme yaklaşımı önerilmiştir.
UWB, doğru iç mekan yerleşimi için parlak bir geleceğe sahip görünüyor, ancak
bugün için standart mobil cihazlarda yaygın olarak kullanılmıyor [43].
14
2.4.10 MEMS
15
filtreleri, harita eşleştirme için, sensörün hesaplaşma sonuçlarını ve harita yerleşim
bilgisini birleştiren harita tanıtımı için tanıtıldı.
TOA tekniği, iki cihaz arasındaki mesafeyi, aralarındaki tek yönlü yayılma süresini
ölçerek ve sinyal yayılma hızını önceden bilerek hesaplar. Bir mobil cihazın 2B
lokalizasyonunu gerçekleştirmek için, farklı referans noktalarından en az üç TOA
ölçümü gerekir. Konum tahmini, dairelerin merkezlerle kesişme noktalarını
referans noktalarında ve yarıçaplara karşılık gelen yarıçapları hesaplamak için
geometrik bir yöntem kullanılarak elde edilebilir[51][52].
16
2.5.2 Varış ZamanıFarkı (TDOA)
17
WSN ve UWB temelli iç mekan lokalizasyon sistemlerinde yaygın olarak
kullanılmaktadır. Baz istasyonları bu ağlarda zaman senkronizasyonu
yapıldığından, 3G ve 4G hücresel ağ tabanlı iç mekan lokalizasyonunda da yaygın
olarak uygulanmaktadır [53, 54, 55].
tahmin etmek için yayılma zamanını işaret eder [56]. Hem ToF hem de RToF için
çeşitli mekanizmalar benzerdir; Vericiden bir sinyal alındığında, alıcı vericiye geri
cevap verir, bu da toplam gidiş-dönüş ToF değerini hesaplar. RToF'nin ana avantajı,
Tox ile karşılaştırıldığında, Tx ve Rx arasında nispeten ılımlı bir saat
senkronizasyonu gerekli olmasıdır. Bununla birlikte, RToF tahmin doğruluğu, ToF
ile aynı faktörlerden etkilenir (örnekleme hızı ve sinyal bant genişliği). Sinyal iki kez
iletilip alındığından, bu durum daha şiddetlidir. RToF tabanlı sistemlerde bir diğer
önemli sorun, alıcı elektroniklerine ve protokol genel giderlerine büyük ölçüde bağlı
olan alıcıdaki tepki gecikmesidir. Sonuncusu, verici ile alıcı arasındaki yayılma
süresi yanıt süresine kıyasla büyükse ihmal edilmesi mümkündür, ancak gecikme, iç
mekan yerleşimi için kullanılanlar gibi kısa menzilli sistemlerde göz ardı edilemez.
Tx'in Tx i t2'de alan Rx j'ye bir mesaj gönderdiği zaman t1 olduğu zaman, t2 = t1 +
tp. j, t3 zamanında, t4'te alan i'ye geri bir sinyal iletir. Böylece i ve j arasındaki mesafe
Denklem [20] kullanılarak hesaplanacaktır.
�𝑡𝑡4−𝑡𝑡1 �−(𝑡𝑡3−𝑡𝑡2 )
𝐷𝐷𝑖𝑖𝑖𝑖 = *2 (2.3)
2
Varış Açısı (AoA), temelli yaklaşımlar antenlerin, [58] (alıcı tarafında), iletilen
sinyalin antenlerin ayrı ayrı elemanlarındaki varış zaman farkını kullanarak ve
hesaplayarak alıcıya çarptığı açıyı tahmin etmek için kullanır. AoA'nın ana avantajı,
cihazın / kullanıcı konumunun bir 2B ortamındaki iki monitör veya bir 3B
ortamındaki üç monitör kadar düşük olduğu tahmin edilebilmesidir. Her ne kadar
AoA, alıcı-verici mesafesi küçükken doğru tahmin sağlayabilse de, RSS tekniklerine
kıyasla daha karmaşık bir donanım ve dikkatli bir kalibrasyon gerektirdiğinden,
alıcı-verici mesafesindeki artış hesaplama ile doğruluğu kötüye gittiği zaman, varış
hesap açısında küçük bir hata oluşması, fiili konum tahmininde büyük bir hataya
18
çevrilir [57]. Ayrıca, iç ortamlardaki çok yollu etkiler nedeniyle AoA'nın görüş hattı
(LOS) açısından elde edilmesi genellikle zordur.
Gözlemlenen herhangi bir çevrimiçi RSSI değer vektörü O için kullanıcı / cihaz
konumu L olacaktır:
19
Denklem (2.4), kullanıcının bulunduğu lokasyonda L grubunda sınıflandırılacağını
gösterir. Eğer olasılığı başka herhangi bir lokasyondan yüksekse
c) k-En Yakın Komşu (kNN): k-En Yakın Komşu (kNN) algoritmaları, kök ortalama
kare hatası (RMSE) kullanarak bilinen konumların en keskin eşleşmelerini (bir
veritabanında saklanan çevrimdışı RSSI ölçümlerine dayanarak) elde etmek için
çevrimiçi RSSI'ye dayanır [61]. Cihazın / kullanıcının tahmini bir yerini elde etmek
için en yakın eşleşmelerin ortalaması alınır. Mesafeler sinyal uzayında ağırlık olarak
kabul edilirse ağırlıklı bir kNN kullanılacaktır, aksi taktirde ağırlıklı olmayan bir
kNN kullanılır.
d) Destek Vektör Makinesi (SVM): Destek vektör makinesi, regresyon ile birlikte veri
sınıflandırması için çekici bir yaklaşımdır. SVM öncelikle makine eğitimi (ML) ve
istatistiksel analiz için kullanılır ve yüksek doğruluğa sahiptir [61] 'de vurgulandığı
gibi,SVM çevrimdışı ve çevrimiçi RSSI ölçümlerini kullanarak lokalizasyon için de
kullanılabilir.
20
3
Metodoloji
Şekil 3.3.1'de gösterilen örnek alan, alandaki robotlarla iki sabit verici ve bu alana
girmeye çalışan dört robot içeriyor. Robot R1 bir önceki bilinen konumundan
hareket ettikten sonra, robot ile S1 ve S2 sabit noktalar arasındaki mesafe
hesaplanır, aynı şekilde, R1 ve R2, R3 ve R4 robotları arasındaki mesafe de
hesaplanır. Bu mesafeler, erişim noktalarının kullanımı veya LBE gibi, ortamda
kullanılan tekniğe göre hesaplanır. Ayrıca, bir robotun kat ettiği mesafeyi,
güvertedeki sensörlerden toplanan ölçümleri kullanılarak da hesaplanır. Bilinen bir
21
koordinattan ölçülen her uzaklık için, robot bilinen pozisyonun koordinatlarında
merkezinde bulunan bir kürenin yüzeyindeki herhangi bir noktada olabilir ve
ölçülen mesafeye eşit bir yarı çapa sahip olabilir. Burada küre denklemi
oluşturulurken kürenin merkezi bilinen koordinattır.
S1 S2
R1
R2
R`1 R3
R4
Şekil 3.1 örnek alan ile sabit referans noktaları ve yolculuk yapan robotlar.
x1, y1, z1 pozisyon merkezinde yer alan ve r1 yarıçapına sahip kürenin denklemi
Denklem 3.1'de gösterilmiştir. İki kürenin kesişmesi bir çember oluşturur, başka bir
küreyle kesiştiğinde iki noktaya yol açan bir daireler oluşturduğundan, robotun bu
iki aday noktadan gerçek pozisyonu tanımlamak için en az üç koordinatı bilinen
noktaya htiyaç vardır. Dördüncü bir referans noktası doğruluğu artıracaktır.
Böylece, Denklem 3.1'i genişleterek ve dört referans noktasının her biri için işlemi
tekrarlayarak Denklemler 3.2 ila 3.5 arasında bir sonuç elde edilebilir.
𝑥𝑥2 − 2𝑥𝑥𝑥𝑥1 + 𝑥𝑥21 + 𝑦𝑦2 − 2𝑦𝑦𝑦𝑦1 + 𝑦𝑦21 + 𝑧𝑧2 − 2𝑧𝑧𝑧𝑧1 + 𝑧𝑧21 = 𝑟𝑟21 (3.2)
𝑥𝑥2 − 2𝑥𝑥𝑥𝑥2 + 𝑥𝑥22 + 𝑦𝑦2 − 2𝑦𝑦𝑦𝑦2 + 𝑦𝑦22 + 𝑧𝑧2 − 2𝑧𝑧𝑧𝑧2 + 𝑧𝑧22 = 𝑟𝑟22 (3.3)
𝑥𝑥2 − 2𝑥𝑥𝑥𝑥3 + 𝑥𝑥23 + 𝑦𝑦2 − 2𝑦𝑦𝑦𝑦3 + 𝑦𝑦23 + 𝑧𝑧2 − 2𝑧𝑧𝑧𝑧3 + 𝑧𝑧23 = 𝑟𝑟23 (3.4)
22
𝑥𝑥2 − 2𝑥𝑥𝑥𝑥4 + 𝑥𝑥24 + 𝑦𝑦2 − 2𝑦𝑦𝑦𝑦4 + 𝑦𝑦24 + 𝑧𝑧2 − 2𝑧𝑧𝑧𝑧1 + 𝑧𝑧24 = 𝑟𝑟24 (3.5)
𝑥𝑥(2𝑥𝑥1 − 2𝑥𝑥4 ) + 𝑦𝑦(2𝑦𝑦1 − 2𝑦𝑦4 ) + 𝑧𝑧 = 𝑟𝑟42 − 𝑟𝑟12 + 𝑥𝑥12 − 𝑥𝑥42 + 𝑦𝑦12 − 𝑦𝑦42 + 𝑧𝑧12 − 𝑧𝑧42 (3.6)
𝑥𝑥(2𝑥𝑥2 − 2𝑥𝑥4 ) + 𝑦𝑦(2𝑦𝑦2 − 2𝑦𝑦4 ) + 𝑧𝑧 = 𝑟𝑟42 − 𝑟𝑟22 + 𝑥𝑥22 − 𝑥𝑥42 + 𝑦𝑦22 − 𝑦𝑦42 + 𝑧𝑧22 − 𝑧𝑧42 (3.7)
𝑥𝑥(2𝑥𝑥3 − 2𝑥𝑥4 ) + 𝑦𝑦(2𝑦𝑦3 − 2𝑦𝑦4 ) + 𝑧𝑧 = 𝑟𝑟42 − 𝑟𝑟32 + 𝑥𝑥32 − 𝑥𝑥42 + 𝑦𝑦32 − 𝑦𝑦42 + 𝑧𝑧32 − 𝑧𝑧42 (3.8)
Ayrıca, daha fazla referans noktasının kullanılması durumunda, olası tüm küreler
arasındaki kesişme noktasını bularak konumlandırma doğruluğunu da artırabiliriz.
Bilinen koordinatlara ve onunla robot arasındaki bilinen mesafeye sahip olan her
referans noktası denklem 3.1'e benzer bir denklem oluşturmak için kullanılır. Daha
sonra, denklem kümesinden farklı dörtlük kombinasyonları seçilerek, ortaya çıkan
aday koordinatların sayısı, denkleme 3.10'da gösterildiği gibi ikiterimli katsayısını
kullanılarak hesaplanabilir, burada E, küre denklemlerinin sayısı ve C (Olası
Kombinasyonların Sayısı), olası kombinasyonların sayısıdır.
Alandaki tüm referans noktalarını birleştiren ortak bir hiper düzlem bulunduğunda,
hesaplamalar Denklem 3.9'da gösterildiği gibi robotun koordinatlarının
hesaplanmasında başarısız olan tekil bir matris ile sonuçlanır. Böylece, bu matris
robotun konumlandırılması sırasında bulunduğunda, işlem sonlandırılır ve
23
belirlenen adaylara veya ortaya çıkan koordinatlara hiçbir koordinat eklenmez.
Ayrıca, aday koordinat kümesini oluşturduktan sonra, robotun çıktı koordinatlarını
seçmek için iki yaklaşım kullanılabilir. İlk yaklaşım, koordinatlardaki her bir eksenin
ortalama değerini, yani x, y ve z eksenlerini hesaplarken, diğer yaklaşım, her eksen
için ortanca değeri seçer.
24
4
Deneysel Sonuçlar
4.1 Deney A
Sonunda, tüm sabit referans noktaları devre dışına çıkar, böylece tüm robotlar, sabit
noktalara göre değil de, işbirlikleri yaparak hareket etmeye başlar. Her sabit nokta
kaybı için, ortalama konum hatası alanda bulunan tüm robotlar için hesaplanır.
Robotlar ayrıca, bir referans noktası kaybolduğunda, konumlandırmanın
doğruluğunu arttırmak için yardımcı bir robotun guruba ulaşmasına kadar,
güvdedeki bir sensöre bağlı olarak yolculuğuna devam eder, böylece, yardımcı
25
robot gelene kadar yolculukta gecikme yaşanmaz. Gövertideki sensörler tarafından
hesaplanan mesafeden, gidilen mesafenin maksimum% 1'ine rastgele bir hata
eklenir veya çıkarılır, ayrıca bu sensörler tarafından önerilen gürültünün etkisini
stimule edilir. Sonrası, tüm robotlar için gerçek ve hesaplanan konum arasındaki
fark hesaplanır, böylece, bu hataların ortalama değeri, güverteye yerleştirilen
sensörler sayesinde tahmin edilen hatanın konumlandırma işlemleri üzerindeki
etkisini göstermek için kullanılır.
Tablo 4.1 Ortalama fonksiyonunu kullanarak alandaki her bir sabit nokta ve robot
sayısı için ortalama konumlandırma hatası
26
6
3
Robotlar
2
0
-1 0 1 2 3 4 5
-1
Sabit Noktalar
Sensors
Sensör Mean
ortalamError
hata Positioning Meanortalam
Konumlandırma Error hata
Şekil 4.1 Ortalama fonksiyonu kullanan alandaki sabit nokta ve robot sayısına
karşı ortalama hatanın göstergesi
4.2 Deney B
27
güvertedeki sensörler, yeni robot gelene kadar seti veya dördü tamamlamak için
gereken referans noktaları olarak kullanılır. Yardımcı robotlar geldiğinde,
gövdedeki dört sensörden toplanan ölçümler, dört referans noktasının tamamı sabit
olmadıkça, konumlandırma doğruluğunu arttırmak için hala kullanılır; bu durumda,
güvertideki sensörlerden toplanan ölçümler ihmal edilir.
Tablo 4.2 Ortalama fonksiyon kullanan alandaki her sabit nokta ve robot sayısı
başına ortalama konumlandırma hatası
28
Ortalama Mutlak Hata(%)
0.04
6 0 5 0.92 0.46
5
4
Robotlar
3
2
1
0
-1 -1 0 1 2 3 4 5
Sabit Noktalar
Sensors
Sensörler Positioning
Konumlandırma
Şekil 4.2 Ortalama işlevi kullanan alandaki sabit nokta ve robot sayısına karşı
ortalama hata
Önceki deneyden elde edilen sonuçlara benzer şekilde, ortalama işlevinin aday
kümesinden konum koordinatlarını seçmek için alanda sadece üç harici referans
noktasının bulunduğu senaryolarda kullanıldığı durumda , robotun önceki bilinen
konumunun yanı sıra, robot ve araçtaki senyörleri kullanılarak ölçülen mesafe, ve
önerilen konumlandırma yöntemi kullanıldığında ortalama mutlak hata azalmaz.
Bununla birlikte, sonuçlar, ortanca fonksiyonun aday kümesinden robotun
koordinatlarını seçmek için kullanılmasında daha doğru konumlandırma sonuçları
elde ettiğimizi göstermektedir. Ortalama işlevinin kullanılmasından farklı bir
şekilde, bu deneyin sonuçları, ortanca işlevin kullanılması durumunda, robotlar
arasındaki iş birliğinden, yardım robotlarının sayısının arttırılması durumunda, iyi
bir şekilde yararlanabileceğimizi ve konumlandırma doğruluğunu önemli ölçüde
iyileştirmeyi başardığını göstermektedir
4.3 Tartışma
29
Ortalama ve ortanca yöntemlerin doğruluğunu karşılaştırmak için her referans
noktası başına ortalama mutlak hatalar Tablo 4.3'de hesaplanmış ve özetlenmiştir.
Bu sonuçlar ayrıca Şekil 4.3'te görsel olarak gösterilmektedir.
Tablo 4.3 Ortalama ve medyan fonksiyonlar için her referans noktası için ortalama
konumlandırma hatası
0,6
0,5
0,4
0,3
0,2
0,1
0
4 5 6
Referans Noktası Sayısı
Mean Positioning
Ortalama ErrorHatası
Konumlandırma (%) (%)
Average
Ortalama Mean Positioning
Ortalama ErrorHatası
Konumlandırma (%) Median
(%) Medyan
30
konumlandırma hatası aday listesindeki tüm hataların ortalamasıdır. Bu nedenle,
aşırı bir hata sonucu gerçekleşen bir denklem, medyan işlevini kullanılarak seçilen
bir değer üzerinde herhangi bir etkiye sahip olmaz, aday değerler dolayısı seçilen
değerleri seçmek için ortalama işlev adaylara kullanıldığında önemli bir etkiye
sahip olacaktır. Bu davranış aynı zamanda, medyan fonksiyonunun gürültüden
ortalamadan daha az etkilendiğini belirten önceki [64, 65] nolu çalışmalardaki
hipotezi . Ek olarak, her iki yöntemi kullanarak bir robotu konumlandırmak için
gereken ortalama süreyi karşılaştırmak için, bu süre her referans noktası başına
hesaplanır ve Tablo 4.4'da özetilmiş ve Şekil 4.4'de gösterilmiştir.
Tablo 4.4 Ortalama ve ortanca işlevlerini kullanan önerilen yöntem için her referans
noktası için ortalama konumlandırma süresi
6 113.153 0.035
120 0,1
Konumlandırma Süresi (S)
0,06 Medyan
60
0,05
40 0,04
0,03
20
0,02
0 0,01
4 5 6
Referans Noktası Sayısı
31
noktalarının eklenmesi durumunda, konumlandırma için gereken süre içinde,
ortalama olarak% 4704'lük bir artışa neden olur; tabi ki bu da son derece yüksek
bir zamandır. Bu bağımlılık, ortalama fonksiyonun, Medyan fonksiyonu ile
kıyaslandığında, aday koordinatlarındaki her bir eksenin toplamının, aday sayısına
bölünmeden önce hesaplanması gereken durumlarda, ihtiyaç duyduğu karmaşık
hesaplamaların bir sonucudur. Ortanca işlev kullanıldığında, sıralı listenin
ortasındaki değerler, herhangi bir matematiksel işleme ihtiyaç duyulmadan sonuç
olarak seçilir.
32
İç mekan konumlandırma için yaygın olarak kullanılan bir başka yöntem ise , alınan
ışık yoğunluğunu ölçerek referans noktaları ve robotlar arasındaki mesafeyi
hesaplamak için LED gibi ışık kaynaklarını kullanır. Bununla birlikte, bu tür bir
yöntemin kullanılması için, ışığın kaynaktan robota geçmesi için doğrudan görüş bir
hattı gerektirir; bu, bu yöntemlerin uygulanmasını engellerin olabileceği ortamlarda
sınırlı tutulmaktadır. Böylece [68] bu çalışmada önerilen işbirliği yönteminin
kullanımı yalnızca ışık tabanlı konumlandırma yönteminin konumlandırma
doğruluğunu artırmakla kalmaz, bu yöntemlerin farklı ortamlarda uygulanmasını
da sağlar. Çevrede bulunan robotlar arasındaki işbirliği engellerin etkisini ortadan
kaldırır, çünkü bir robotun konumlandırılması diğer robotların konumlarının yanı
sıra erişilebilir ışık kaynakları ve yerleştirilen sensörler kullanılarak
gerçekleştirilebilir.
33
5
Sonuç ve Öneriler
Medyan fonksiyonun önerilen yöntemde kullanımı her iki yönde de daha iyi
performans gösterdiğinden dolayı, bu fonksiyon aday koordinatlar listesinden
34
robotun konumunu seçmek için seçilir. Önerilen yöntem, referans noktalardan
toplanan ölçümlerdeki hataların ve ortamdaki engellerin etkisini azaltarak birçok
konumlandırma sisteminin performansını iyileştirme yeteneğine sahiptir.
Robotların ortamdaki işbirliği yeteneğine göre, sabit referans noktaları ve ışık
tabanlı konumlandırma yöntemleri gibi robotlar arasında doğrudan görüş açısı
gerektiren yaklaşımlarda, engellerin etkisi ortadan kaldırılmıştır. Bununla birlikte,
bu çalışmanın sonuçları aynı zamanda işbirliği yapan robotların konumlandırma
işlemi başarısız olduğu için bir hiper düzlem mevcut tüm referans noktalarına ve
robotun konumunu birleştirebileceği konumlardan kaçınmak gerektiğini
göstermektedir. Bu başarısızlık, koordinatlarda eksen değerinin hesaplanması
sırasında gerekli değerler için çözülemeyen tekil matrislerin üretilmesinin bir
sonucudur.
35
Kaynakça
[1] Haagmans, G. G., et al. "A Statistical analysis on the system performance of
abluetooth low energy indoor positioning system in a 3D environment."
ISPRS Ann Photogramm Remote Sens Spat Inf Sci (2017): 319-326.
[3] Trein, G., N. Singh, and P. Maddila. "Simple approach for indoor mapping
using low-cost accelerometer and gyroscope sensors." DOCPLAYER(2013).
[4] Qian, Jiuchao, et al. "An improved indoor localization method using
smartphone inertial sensors." International Conference on Indoor
Positioning and Indoor Navigation. IEEE,2013.
[5] Li, Fan, et al. "A reliable and accurate indoor localization method using
phone inertial sensors."Proceedings of the 2012ACM conference on
ubiquitous computing. ACM,2012. Phone Inertial Sensors
[9] X.- Y. Lin, T.-W. Ho C.- C. Fang, Z.-S. Yen , B.-J. Yang, and F. Lai, "A mobile
indoor positioning system based on iBeacon technology,"in Engineeri- ng
in Medicine andBiology Society (EMBC), 2015 37th Annuals International
Conference of the IEEE, 2015, pp. 4970- 4973.
[10] Tian, Ye. Practical indoor localization system using GSM fingerprints and
embedded sensors. Diss. Université Pierre et Marie Curie-Paris VI, 2015.
36
[11] S.S. Chawathe. Beacon placement for indoor localization using Bluetooth.In
Proceedings of the 11th International IEEE Conference on Intelligent
Transportation Systems, pages 980–985, Beijing, China, Eylül 2008.
[16] Zetik , R., Shen, G. and Thomä , R.(2010) : “Evaluation of Requirements for
UWB Localization Systems in Home ‐Entertainment
Applications”,Proceedings Of the 2010 International Conference on Indoor
Positioning and Indoor Navigation (IPIN), Eylül 15–17,2010 Campus Science
City,ETH Zurich,Switzerland.
[21] F. Van Diggelen. Indoor GPS theory & implementation. IEEE Position
Location and Navigation Symposium, pages 240–247, 2002.
[22] L.D. Vittorini and B. Robinson. Optimizing indoor GPS performance. GPS
World , 14(11):40–48, Kasım 2003.
37
[24] S. Schön and O. Bielenberg. On the capability of high sensitivity GPS
foprecise Indoor Positioning .In Proceedings of the 5thWorkshop On
Positioning Navigation and Communication, pages 121–127, Hannover,
Germany, Mart 2008.
[25] P.A. Zandbergen and S.J. Barbeau. Positional accuracy of assisted GPS data
from high- sensitivity GPS-enabled mobile phones. Journal of Navigation,
64(3):381–399, Temmuz 2011.
[31] C. Wu, Z. Yang, Y. Liu, and W. Xi. WILL: Wireless indoor localization without
si survey.IEEE Transactions on Parallel and Distributed Systems,24(4):839
848, Nisan 2013.
[32] Z. Xiang, S. Song, J. Chen, H. Wang, J. Huang, and X. Gao. A wireless LAN
Based indoor Positioning technology. IBM Journal of Research andDevelop-
ment, 48(5.6):617–626, Eylül2004.
[33] C.L. Wu, L.C. Fu, and F.L. Lian. WLAN location determination in e-home via
Support vector classification . In Proceedings of 2004 IEEE International
Conference on Networking, Sensing and Control, volume 2, pages 1026-
1031,Taipei, Taiwan, Mart 2004.
38
[35]. Ferro and F.Potorti. Bluetooth and Wi-Fi wireless protocols: A survey and
comparison.IEEE Wireless Communications, 12(1):12–26, Subat 2005.
[38] G. Mao and B. Fidan. Localization algorithms and strategies for wireless
sensor networks.
[40] J. Zhou and J. Shi. RFID localization algorithms and applications – a review.
Journal of Intelligent Manufacturing, 20(6):695–707, August 2008.
[45] S. Y. Cho, C.G. Park, and H. Y. Yim. Sensor fusion and error compensation
algorithm for pedestrian navigation system. In Proceedings of 2003
International Conferenceon Control, Automation and Systems, pages 1001–
1006, Gyeongju, Korea, Ekim 2003.
39
[47] H. Bao and W.C. Wong. A novel map - based dead-reckoning algorithm
for indoor localization. Journal of Sensor and Actuator Networks, 3(1):44–
63 2014.
[51] J.J. Caffery. Wireless location in CDMA cellular radio systems. Kluwer
Academic Publishers, Norwell, MA, USA, 1999.
[52] W.Kim, J.G. Lee, and G.I. Jee.The interior-point method for an
optimatreatment of bias in trilateration location. IEEE Transactions on
Vehicular Technol55 (4):1291–1301, Temmuz 2006.
[58] S. Kumar, S. Gil, D.Katabi, and D. Rus,“Accurate indoor localization with zero
start- up cost,” in Proceedings of the 20th annual international conference
on Mobile computing and networking, pp. 483–494, ACM, 2014.
40
[62] M. Altini, D.Brunelli, E. Farella, and L. Benini, “Bluetooth indoor localization
with multiple neural networks, ” in Wireless Pervasive Computing (ISWPC),
2010 5thIEEE International Symposium on, pp. 295–300, IEEE, 2010.
[63] D. S.Bernstein, Matrix mathematics: Theory, facts, and formulas with
application to linear systems theory vol. 41: Princeton university press
Princeton, 2005.
[64] K. K. V.Toh and N. A. M. Isa, "Noise adaptive fuzzy switching median filter
for salt and - pepper noise reduction," IEEE signal processing letters, vol.
17, pp. 281-284, 2010.
[67] R. Faragher and R. Harle,"An analysis of the accuracy of bluetooth low energy
for indoor Positioning applications," in Proceedings of the 27th
International Technical Meeting of the Satellite Division of the Institute of
Navigation (ION GNSS+’14), 2014, pp. 201-210.
[68] S. Hann, J.-H. Kim, S.-Y. Jung, and C.-S. Park, "White LED ceiling lights
positioning Systems for optical wireless indoor applications, " in Optical
Communication (ECOC) 2010 36th European Conference and Exhibition on,
2010, pp. 1-3.
41
Tezden Üretilmiş Yayınlar
Makaleler
42