T.C.

YILDIZ TEKNİK ÜNİVERSİTESİ

FEN BİLİMLERİ ENSTİTÜSÜ

ÜÇ BOYUTLU UZAYDA VE KAPALI ORTAMLARDA BİR

MOBİL ROBOTUN KONUM VE HEDEF TESPİTİ

Ban İsam Rashid AL-BAYATI

YÜKSEK LİSANS TEZİ

Elektronik ve Haberleşme Mühendisliği Anabilim Dalı
Haberleşme Mühendisliği Programı

Danışman
Dr.Öğr. Üyesi Serkan Kurt

Temmuz , 2019
 T.C.

YILDIZ TEKNİK ÜNİVERSİTESİ

FEN BİLİMLERİ ENSTİTÜSÜ

ÜÇ BOYUTLU UZAYDA VE KAPALI ORTAMLARDA BİR MOBİL

ROBOTUN KONUM VE HEDEF TESPİTİ

Ban isam rashid AL-BAYATİ tarafından hazırlanan tez çalışması çalışması

31.07.2019 tarihinde aşağıdaki jüri tarafından Yıldız Teknik Üniversitesi Fen
Bilimleri Enstitüsü Elektronik ve Haberleşme Mühndisliği Anabilim Dalı,
Haberleşme Mühendisliği Programı YÜKSEK LİSANS TEZİ olarak kabul edilmiştir.

Dr.Öğr.Üyesi Serkan KURT

Yıldız Teknik Üniversitesi
Danışman
Jüri Üyeleri
Dr.Öğr.Üyesi Serkan KURT, Danışman
Yıldız Teknik Üniversitesi

Doç.Dr.Hacı İLHAN, Üye

Yıldız Teknik Üniversitesi

Doç.Dr. Aysel ERSOY YILMAZ, Üye

İstanbul Üniversitesi-Cerrahpaşa
Danışmanım Dr. Öğr. Üyesi Serkan KURT sorumluluğunda tarafımca hazırlanan 3
Boyutlu Uzayda ve Kapalı Ortamlarda Bir Mobil Robotun Konum ve Hedef Tespiti
başlıklı çalışmada veri toplama ve kullanımında gerekli yasal izinleri aldığımı, diğer
kaynaklardan aldığım bilgileri ana metin ve referanslarda eksiksiz gösterdiğimi,
araştırma verilerine ve sonuçlarına ilişkin çarpıtma ve/veya sahtecilik
yapmadığımı, çalışmam süresince bilimsel araştırma ve etik ilkelerine uygun
davrandığımı beyan ederim. Beyanımın aksinin ispatı halinde her türlü yasal sonucu
kabul ederim.

Ban İsam Rashid AL-BAYATI

İmza
Aileme
 TEŞEKKÜR

Araştırma boyunca rehberlik ve yardımları için danışman hocam Dr.Öğr.Üyesi Serkan

Kurt'a yürekten teşekkür ediyorum. Ayrıca bu uzun süreçte maddi ve manevi olarak
desteklerinden dolayı aileme teşekkürlerimi sunarım. Eğitim hayatımda desteklerini
esirgemeyen Yıldız Teknik Üniversitesi Elektrik Elektronik Fakültesi Elektronik ve
Haberleşme Mühendisliği Bölümü öğretim elemanlarına da en içten teşekkürlerimi
sunmak isterim.

Ban İsam Rashid ALBAYATİ

v
 İÇİNDEKİLER

SİMGE LİSTESİ viii

KISALTMA LİSTESİ ix

ŞEKİL LİSTESİ x

TABLO LİSTESİ xi

ÖZET xii

ABSTRACT xiv

1 Giriş ............................................................................................................................................................ 1

1.1 Literatür Özeti ................................................................................................................................ 2

1.2 Tezin Amacı ..................................................................................................................................... 4

1.3 Hipotez ............................................................................................................................................. 4

2 Konum Belirleme Yöntemleri ........................................................................................................ 6

2.1 Konum Belirlemede Kullanılan Teknolojiler ..................................................................... 6

2.2 Konum algılama tabanlı sınıflandırma ............................................................................... 6

2.2.1 Yakınlık .................................................................................................................................. 6

2.2.2 Üçgenselleştirme ve Uyarma (Trilaterasyon) ........................................................ 7

2.3 İç Mekan Konumlandırma Uygulamaları ........................................................................... 8

2.3.1 İç Ortamlarda Lokasyon Bazlı Servisler ................................................................. 8

2.3.2 Özel Evler ............................................................................................................................ 8

2.3.3 Tıbbi bakım ....................................................................................................................... 8

2.3.4 Sosyal Ağ .............................................................................................................................. 8

2.3.5 Çevresel İzleme ............................................................................................................... 8

2.3.6 Akıllı Ulaşım ..................................................................................................................... 9

2.3.7 Müzeler ................................................................................................................................ 9

2.3.8 Lojistik ve Optimizasyon .............................................................................................. 9

2.3.9 Engeli İnsanların Rehberliği ....................................................................................... 9

vi
 2.3.10 Yapısal Sağlık Takibi ..................................................................................................... 9

2.4 Lokalizasyon Teknolojileri .....................................................................................................10

2.4.1 RF Teknolojileri .............................................................................................................10

2.4.2 GPS ......................................................................................................................................11

2.4.3 Hücresel Ağlar .................................................................................................................11

2.4.4 TV and FM radio ...............................................................................................................11

2.4.5 WiFi .................................................................................................................................12

2.4.6 Bluetooth ......................................................................................................................12

2.4.7 WSN Kablosuz Sensör Ağları ......................................................................................13

2.4.8 RFID and NFC Yakın Alan İletişimi ..........................................................................13

2.4.9 UWB Ultra Geniş Bant ....................................................................................................14

2.4.10 Mikro-Elektro-Mekanik Sistem (MEMS) ..........................................................15

2.5 Konum Tahmin Algoritmaları ..............................................................................................16

2.5.1 Varış Zamamı (TOA) .......................................................................................................16

2.5.2 Varış Zaman Farkı (TDOA ) .........................................................................................17

2.5.3 Uçuş Dönüş Süresi (RTOF) .......................................................................................18

2.5.4 Varış Açısı (AOA ) ........................................................................................................18

2.5.5 Parmak İzi ...........................................................................................................................19

3 Metodoloji ........................................................................................................................................21

4 Deneysel Sonuçlar .........................................................................................................................25

4.1 Deney A .....................................................................................................................................25

4.2 Deney B .....................................................................................................................................27

4.3 Tartışma ........................................................................................................................................29

5 Sonuç ve Öneriler ........................................................................................................................34

Kaynakça ...................................................................................................................................................36

vii
Tezden Üretilmiş Yayınlar ................................................................................................................42

viii
 SİMGE LİSTESİ

C Olası Kombinasyonların Sayısı

c Işık Hızı
𝐃𝐃𝐢𝐢𝐢𝐢 Tx ve Rx Arası Mesafe

E Küre Sayısı
L Tahmini Konum
O Vektör

ix
 KISALTMA LİSTESİ

AP Erişim noktası (Access Point)

AOA Varış Açısı (Angle of Arrival)
AAL Ambient Assistant Living
YSA Yapay Sinir Ağları
BTS Sabit Baz İstasyonu (Base Transceiver Station)
BLE Bluetooth Düşük Enerji (Bluetooth Low Energy)
CSI Kanal Bilgi Sistemi (Channel State Information)
GPS Global Konumlama Sistemi (Global Positioning System)
GNSS Global Navigation Satellite System
k-NN K-En Yakın Komşu( K-Nearest Neighbor)
LOS Açık Görüş Hattı (Line of Sight)
LED Işık Yayan Diyot (Light Emitting Diode)
LBS Konum Tabanlı Hizmetler (Location Based Services)
MEMS Mikro-Elektro-Mekanik Sistem (Micro-Electro-Mechanical System)
ML Makine Öğrenimi (machine Learning)
MLP Çok Katmanlı Algılayıcı (Multi-Layer Perceptron)
NFC Yakın Alan İletişimi (Near Field Communication)
OOK On-off Keying
PCA Temel Bileşenler Analizi (Principal Component Analysis)
RSS Gelen İşaret Gücü (Received Signal Strength)
RF Radyo Frekansı (Radio Frequency)
RTOF Varışta Dönüş Zamanı Farkı (Return Time Difference of Arrival)
RMSE Kök Ortalama Kare Hatası (Root Mean Square Rrror)
RSSI Alınan İşaretin Şiddet Göstergesi (Received Signal Strength Indication)
SVM Destek Vektör Makinesi (Support Vector Machine)
TOA Varış Zamanı (Time of Arrival)
TDOA Varış Zaman Farkı (Time Difference of Arrival)

x
UWB Ultra Geniş Bant (Ultra Wideband)
WSN Telsiz Sensör Ağı (Wireless Sensor Networks)

xi
 ŞEKİL LİSTESİ

Şekil 1.1 GPS SİSTEM ...............................................................................................................................2

Şekil 2.1 İç mekan lokalizasyonu için ana teknolojilerin kategorileri ..............................10
Şekil 2.2 TOA Varış Zamanı ................................................................................................................16
Şekil 2.3 TDOA varış zaman farkı ...............................................................................................................17
Şekil 2.4 AOA Varış Açısı ..................................................................................................................19

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

ortalama hatanın göstergesi ..........................................................................................27

Şekil 4.2 Ortalama işlevi kullanan alandaki sabit nokta ve robot sayısına karşı

ortalama hata ........................................................................................................................29

Şekil 4.3 Ortalama ve ortanca işlevler kullanıldığında konumlandırm

doğruluğuarasın daki karşılaştırma ............................................................................30

Şekil 4.4 Ortalama ve ortanca işlevleri kullanarak önerilen yöntemin gerektirdiği

ortalama konumlandırma süresinin gösterimi..........................................................31

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

3 Boyutlu Uzayda ve Kapalı Ortamlarda Bir Mobil Robotun

Konum ve Hedef Tespiti

Ban isam rashid ALBAYATİ

Electronik ve Haberleşme Mühndisliği

Yüksek Lisans Tezi

Danışman: Dr. Öğr .Üyesi Serkan Kurt

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

Indoor Location and Target Detection of a Mobile Robot in

3D Space

Ban isam rashid ALBAYATI

Department Of Electronics and Communications Engineering
Master of Science Thesis

Advisor: Asst. Prof. Dr. Serkan KURT

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

YILDIZ TECHNICAL UNIVERSITY

GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCES

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.

Şekil 1.1 GPS SİSTEM

1.1 Literatür Özeti

Trein ve ark. Tarafından ticari kullanıma hazır bir akıllı telefonun atalet sensörlerine
dayanarak geliştirilmiş iç mekan lokalizasyonu yöntemi. Bu yöntem, PDR
algoritması ve kat planı bilgilerini entegre ederek yüksek hassasiyetli iç mekan
konumlandırması uygulamaya izin verir. Sağlam adım algılama tekniği ham sinyalin
ön işlemden çıkar ve karmaşık hesaplamayı azaltır Bununla birlikte, adım uzunluğu
tahmininin kesinliği, farklı yayalar ve hareket modlarından etkilenir, Başlık tahmini,
bir akıllı telefonun yönünden bağımsız olan küresel yatay düzlemine yansıtılan
ivmeölçümlerine temel bileşen analizi (PCA) uygulanarak gerçekleştirilir.
eğilimmeyi düzeltmek ve lokalizasyonun doğruluğunu garanti etmek için bir
partikül filtresi yerleştirilir, önerilen algoritmanın performansını doğrulamak için
kullanılan bir laboratuvarda kullanılan sonuçlar önerilen algoritmanın verimlilik,

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].

Wang ve Ark tarafından önerilen yöntem, bir iç mekan nesnesinin konumunu

hesaplamak için bilinen konumlarda bulunan erişim noktalarından (AP) iletilen
WiFi sinyallerini kullanır. Nesne ve her AP arasındaki mesafe, alınan WiFi sinyalinin
gücü ölçülerek hesaplanır. Ardından, yaya ölü sallanma simülasyonu kullanılarak
toplanan ölçümleri kullanarak, engellerin etkisini ortadan kaldırmak için sahte-
kilometre sayacını (P-O) WiFi verisiyle entegre etmek için en yakın bir komşu (k-
NN) sınıflandırıcısı kullanılır. Deneylerin sonuçları, bu yaklaşım kullanılarak bir
metrelik doğruluğun elde edilebileceğini göstermektedir. Ancak, binadaki
engellerin etkisini azaltmak için k-NN sınıflandırıcısının kullanılması, binadaki

3
engellerin yeri ne zaman değiştirilirse, bu sınıflandırıcı için yeni simülasyon
verilerinin toplanması ihtiyacını dayatır [6].

Lin ve Ark tarafindan,bu işaretçileri ileten aygıt hakkındaki tanımlama bilgisini

içeren işaretleri iletmek için bluetooth düşük enerjili (BLE) cihazı kullanan bir iç
mekan konumlandırma sistemi önermektedir. Nesneyi, BLE cihazlarının
konumlarına göre, o cihazı ve cihaz ile alıcı nesne arasındaki mesafeyi belirleyerek
ve alınan sinyal gücünü (RSS) ölçerek nesneye göre konumlandırmak mümkündür.
Nesnenin kesin koordinatlarını hesaplamak yerine, önerilen sistem her bölgeyi dört
alt bölgeye ayırır; burada nesnenin konumu, içinde bulunduğu tahmin edilen alt
bölge tarafından tanımlanır. Bazı iç mekan konumlandırma uygulamalarının
önemini gösteren acil serviste sunulan hizmetlerin etkinliği. BLE cihazları her
saniyede bir işaret ilettiğinde, pozisyon gürültünün etkisini azaltmak için beş
işaretin alındığı her beş saniyede bir güncellenir. Sonuçlar, bu teknikte öngörülen
pozisyonların% 97,22'sinin doğru olduğunu göstermektedir. Bununla birlikte,
nesnenin konumu, bulunduğu alt bölge kullanılarak tanımlandığı için, nesnenin bu
konumlandırmanın doğruluğunu ölçmesi için hiçbir koordinat hesaplanmaz [7].

1.2 Tezin Amacı

- 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.

- 3 boyutlu uzayda konum belirlemede sözde ters (pseudo-inverse) matrisinin

kullanımı ile tahmini en yakın konum bilgisinin elde edilmesi amaçlanmıştır.

1.3 Hipotez

Çevredeki engeller, iç mekan konumlandırma tekniklerinin karşılaştığı en büyük

zorluklardan biridir, oysa bir engel robot ile referans noktaları arasındaki iletişimi
engelleyebilir veya yanlış mesafe ölçümleriyle sonuçlanacak şekilde etkileyebilir.
robotun koordinatlarını hesaplamak için yerleşik sensörlerin kullanımıyla yüzleşir.

4
Bu eğlimme, sensörler tarafından toplanan gürültü sinyallerinin biriktirici
etkisinden kaynaklanmaktadır.

5
 2
Konum Belirleme Yöntemleri

2.1 Konum Belirlemede Kullanılan Teknolojiler

Modern konum belirleme yöntemleri gelişmeden önce, konum bilgilerinin elde

edilmesi için muhtelif fiziksel “işaretler” kullanılmaktaydı. İnsan, yönlerini
belirlemek ve konumlarını tahmin etmek için yıldızların ve dünyanın manyetik
alanının konumlarını kullanması uzun zamandır yaygındır. Bu "işaretlerin" evrimi,
konumlandırma teknolojisinin gelişiminde önemli bir güç olarak önümüze çıkmıştır.
Radyo Frekansı (RF) teknolojisini kullanan GPS, dış mekan tespitinde büyük başarı
elde etti. ivme ölçer ve jiroskoplar gibi hassas ölçüm cihazları, füze ve uçakların
kendilerini konumlandırmasını ve doğru şekilde dolaşmasını sağlamıştır. İç
mekanda konum tahminleri yapmak için keşfedilebilen RF sinyalleri, ışık ve ses
dalgaları vb. dahil kablosuz bilgi erişimi artık yaygın olarak yaygınlaşmıştır. Mikro-
Elektro-Mekanik Sistem (MEMS) atalet sensörleri, günümüzde artık popüler olan
akıllı cihazlara entegre edilebilen küçük yongalara dahil edilmiştir [10].

2.2 Konum algılama tabanlı sınıflandırma

Bir nesnenin uzaydaki yeri, nesnenin pozisyonundaki değişikliklere göre değişen

bazı fiziksel miktarları ölçerek belirlenmektedir. Lokalizasyon yaklaşımlarını
kullanarak ölçülen fiziksel miktara dayanarak, farklı yerelleştirme teknolojilerine
uyarlanmış çeşitli konum tahmin algoritmaları mevcuttur. Algoritmaların ana
kategorileri, her biri kendine özgü avantaj ve dezavantajlara sahip olan yakınlık,
üçgenleme, parmak izi ve kör adım işlemlerini içerir.

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.

2.2.2 Üçgenselleştirme ve uyarma (Trilaterasyon)

Üçgenleştirme, iki uygulama içeren üçgenlerin geometrik özelliklerine dayanarak

hedefin konumunu tahmin etme tekniğidir: Laterasyon ve açılanma Geçiş tekniği,
birden fazla referans noktasından mesafeleri ölçerek bir mobil hedefin yerini
tahmin eder. Mesafeler, mesafeye bağlı olduğu bilinen RSS ve uçuş süresi gibi ölçüm
miktarlarından elde edilebilir. Varış zamanı (TOA), varış zamanı farkı (TDOA) ve
gidiş-dönüş dahil, zamana dayalı çok sayıda tahmin edici kullanılabilmektedir.Uçuş
Süresi (RTOF), aynı zamanda iki yönlü olarak da bilinir. Açılanma tekniği, genellikle
AOA olarak adlandırılan çoklu referans noktalarına göre açıları hesaplayarak bir
nesneyi konumlandırır

2.3 İç Mekan Konumlandırma Uygulamaları

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.

2.3.1 İç Ortamlarda Lokasyon Bazlı Servisler

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.

2.3.2 Özel Evler

Evdeki uygulamalar arasında kayıp eşyaların tespiti, fiziksel jest oyunları ve

konumlar bulunur evde servisler tabanlı. Ortam Destekli Yaşam (AAL) sistemleri
yaşlılara yardım sağlar evlerinde yaşayan insanlar günlük yaşam aktiviteleri içinde.
AAL sistemlerinin temel işlevi kapalı konumlandırma işlevselliği gerektiren konum
bilinci. Evde uygulamalara örnek olarak hayati belirtilerin izlenmesi, acil
durumların tespiti ve düşme tespiti gibi tıbbi izleme, aynı zamanda akıllı ses
sistemleri gibi servis ve kişiselleştirilmiş eğlence sistemleri bulunmaktadır.

2.3.3 Tıbbi bakım

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.

2.3.5 Çevresel İzleme

Çevresel izleme, ısı, basınç, nem, hava kirliliği ve nesnelerin ve yapıların

deformasyonu gibi bazı olayları gözlemlemek için kullanılır. Bu parametreleri belirli
bir iç mekan veya dış mekan alanı üzerinde izlemek için, bir Kablosuz Sensör Ağı

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.

2.3.6 Akıllı Ulaşım

Araçlar için toplu kullanıcı uygulaması, otoparklar içindeki yol rehberliğinin

uzatılması yoluyla kesintisiz navigasyon sağlanacaktır[18].

2.3.7 Müzeler

Müzelerde ziyaretçi takibi ve ziyaretçi davranışının incelenmesi, lokasyon bazlı

kullanıcı rehberliği ve tetiklenmiş içerik bilinçli bilgi hizmetleri gibi çeşitli
uygulamalar vardır.

2.3.8 Lojistik ve Optimizasyon

Karmaşık sistemlerde işlem optimizasyonu amacıyla bilgiye sahip olmak önemlidir.

Varlıkların ve personelin yeri hakkında örneğin, karmaşık bir depolama ortamında
istenen malların hızlı bir şekilde bulunabilmesi önemlidir. Doğru yerelleştirmeye
dayanarak, her bir ünite mümkün olur. Kargo yönetim sistemlerinin
havalimanlarında, limanlarda konumlandırılması ve demiryolu trafiği için,
verimliliklerini artırmak için eşi görülmemiş fırsatlar sunmaktadır.

2.3.9 Engeli İnsanların Rehberliği

Görme engellilere yardımcı olmak için özel olarak tasarlanmış sistemler, hepsinde
sorunsuz çalışmalıdır. iç ve dış ortamlar navigasyon genellikle engelli kişilerin toplu
taşıma ile birlikte yürümeye yardımcı olmaktır [19].

2.3.10 Yapısal Sağlık Takibi

Beton içindeki çelik takviyelerle birleştirilen sensörler gerilme yapabilir yüksek

çözünürlüklü ölçümler. Pasif sensöre dayanan gerilim algılama sistemleri ‐ entegre
RFID'ler, yükleme ve bozulmadan kaynaklanan gerilme değişikliklerini ve
deformasyonu ölçebilir [19].

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.

Yayın Geniş Alan Ağları

Radyo Kişisel Yerel Alan Ağları

RFID Etiketleri

Görülebilir ışık

Işık dalgası
Kızılötesi

Yerelleştirme
Teknolojileri Ortam Sesi

Akustik Dalga
Ultrason

Atalet Sensörleri

Mekanik Manyetik alan

Atmosferik basınç

Şekil 2.1 - İç mekan lokalizasyonu için ana teknolojilerin kategorileri

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].

2.4.3 Hücresel ağlar

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].

2.4.4 TV and FM radio

TV ve FM radyo ağları başlangıçta yerelleştirme için tasarlanmamış, ancak yine de
iç mekanda yerelleştirme hizmetleri sağlayacak şekilde uyarlanabilirler. TV ve FM
yayın ağının sinyal özellikleri ve geometrik düzenlemesi iç mekanda iyi nüfuz
edecek şekilde tasarlandığından ve hücresel şebekelere benzer şekillerdedir ve

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.

2.4.7 Kablosuz Sensör Ağlar (WSN)

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].

2.4.8 RFID ve NFC

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].

2.4.9 Ultra Geniş Bant (UWB)

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

MEMS, bilgisayarları yarı iletken yongalara yerleştirilmiş sensörler, valfler, dişliler,

aynalar ve aktüatörler gibi küçük mekanik cihazlarla birleştiren bir teknolojidir.
Navigasyonda kullanılan ivme ölçer ve jiroskoplar gibi geleneksel ataletli
navigasyon cihazları onlarca yıl iç mekanda yerelleşmede kullanılamayacak kadar
hantal. MEMS, akıllı telefonlar ve giyilebilir cihazlar gibi mobil cihazlara gömülü
küçük bir yongaya birden fazla sensör entegre ederek yerelleştirme uygulamalarına
olanak tanıyor. Atalet sensörlerine dayanan iç mekan lokalizasyonu, uçaklar ve
balistik füzeler için geliştirilen tekniklerin aynısını kullanan sensör ölü hesaplaması
olarak adlandırılır. Bir hedefin mevcut pozisyonu önceden belirlenmiş bir pozisyona
ek olarak geçen süre ve yol adımı üzerinden tahmin edilen bir yer değiştirme esas
alınarak hesaplanır. Tabii ki gömülü uygulamalardaki eylemsizlik olaylarının ilgili
zaman çizelgeleri, navigasyonda karşılaşılanlardan tamamen farklıdır. Kullanıcılar
kapalı bir ortamda yürürken, hızları nispeten düşüktür ve yürüme ve dinlenme için
alternatif aralıklar vardır. Sonuç olarak, dikey hızlanma değişiklikleri genellikle
yatay değişikliklerden daha büyüktür ve sonuç olarak hızölçerler hız tahmini yerine
adım saptama için kullanılır. Hızlanma tabanlı adım tespiti tipik olarak tepe
tespitine dayanır [44] veya zaman ve genlik eşikleri kullanımıyla geliştirilebilecek
sıfır geçişli [45]. Yaklaşımlar Jiroskop tabanlı adım algılama yaklaşımları da vardır
Ayağa monteli jiroskop bacağın salınımını algılar. Bir mobil kullanıcının yer
değiştirmesi, adım tespiti, adım uzunluğu tahmini ve tespit edilen hareket yönüne
dayanarak tahmin edilir. Basamak uzunlukları kişiden kişiye değişebileceğinden ve
herhangi bir kişi farklı yürüyüş modları kullanabileceğinden, sabit bir basamak
uzunluğu değeri zaman içinde çok büyük hataların birikmesine neden olabilir. Kısa
sürede, sensörün hesaplaşma tahminine dayanan yer tahmini çok doğru olabilir,
ancak sensörlerin kayması ve adımların yanlış belirlenmesi. Sonuç olarak, MEMS
sensörlerinin iç mekan lokalizasyonu için bağımsız bir çözüm olması pek mümkün
değildir, ancak daha doğru bir konum tahminini üretmek için onu diğer lokalizasyon
yaklaşımlarıyla hibrit bir yaklaşım olarak birleştirmek ilginçtir. Alternatif olarak,
harita bilgileri genellikle sensör kör adım esas alınarak tahmin edilen imkansız
konumları dışlamak için bir kısıtlama olarak kullanılır. [46] [47]'da partikül

15
filtreleri, harita eşleştirme için, sensörün hesaplaşma sonuçlarını ve harita yerleşim
bilgisini birleştiren harita tanıtımı için tanıtıldı.

2.5 Konum tahmin algoritmaları

Bir nesnenin uzaydaki yeri, nesnenin pozisyonundaki değişikliklere göre değişen

bazı fiziksel miktarları ölçerek belirlenir. Lokalizasyon yaklaşımlarını kullanarak
ölçülen fiziksel miktara dayanarak, farklı yerelleştirme teknolojilerine uyarlanmış
çeşitli konum tahmin algoritmaları mevcuttur. Algoritmaların ana kategorileri, her
biri kendine özgü avantaj ve dezavantajlara sahip olan yakınlık, üçgenleme, parmak
izi ve kör adım yöntemi işlemlerini içerir.

2.5.1 Varış Zamanı (TOA)

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].

Şekil 2.2 Varış Zamanı (TOA)

16
2.5.2 Varış ZamanıFarkı (TDOA)

TDOA teknikleri, varış zamanı farkının çoklu referans noktalarından karşılaştırarak

bir mobil hedefin konumunu belirler. Tüm referans noktalarından doğrudan varış
zamanını ölçen ve mesafeleri hesaplayan TOA sistemlerinin aksine, TDOA
sistemleri, Şekil 2.2'de gösterildiği gibi zaman farkı ölçümlerine dayanarak mobil
hedef ve referans noktaları arasındaki mesafe farklarını ölçer ve hesaplar.
Geometrik açısından, bir TDOA ölçümü yapıldığında, mobil hedef, iki referans
noktası arasında sabit bir aralık farkı olan bir hiperboloit üzerinde durulalclaktır.
TOA sistemlerinde mobil hedef ve referans noktalarının sembol tanımlarından
sonra, referans noktalara ve sinyalin ilk geldiği referans noktaya olan mesafenin
farkı şöyle hesaplanır:

Şekil 2.3 Varış Zaman Farkı (TDOF)

𝑑𝑑𝑖𝑖𝑖𝑖 = 𝑟𝑟𝑖𝑖 − 𝑟𝑟𝑗𝑗 = (𝑡𝑡𝑖𝑖 − 𝑡𝑡𝑗𝑗 )𝑐𝑐 (2.1)

=�(𝑋𝑋𝑖𝑖 − 𝑋𝑋𝑚𝑚 )2 + (𝑌𝑌İ − 𝑌𝑌𝑚𝑚 )2 − �(𝑋𝑋𝑗𝑗 − 𝑋𝑋𝑚𝑚 )2 + (𝑌𝑌İ − 𝑌𝑌𝑚𝑚 )2 (2.2)

Burada ti ve tj, sırasıyla i ve j referans noktalarından gelen sinyal alımı zamanıdır.

TOA'nın çözümlerine benzer şekilde, TDOA ölçümlerine dayanan yer tahmini,

doğrusal olmayan LS problemlerini veya ML tahminini çözerek elde edilebilir. TDOA
sistemlerinin, TOA sistemlerine kıyasla avantajı, yalnızca referans noktalarının
zamanın senkronize edilmesi gerektiğidir. TDOA programı, GPS , televizyon (TV) ,

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].

2.5.3 Uçuş Dönüş Süresi( RTOF)

RTOF gidiş dönüşü ölçer, (yani, verici-alıcı verici), Tx ve Rx arasındaki mesafeyi

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

2.5.4 Varış Açısı (AOA)

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.

Şekil 2.4 Varış Açısı (AOA)

2.5.5 Parmak izi

Sahne analizine dayalı lokalizasyon teknikleri, parmak izi veya lokalizasyon

sisteminin kullanılacağı ortamın özelliklerini elde etmek için genellikle çevresel
araştırma yapılması gerekir [59,60]. Başlangıçta, çevrimdışı bir merhalede farklı
RSSI ölçümleri toplanır. Sistem dağıtıldıktan sonra, çevrimiçi ölçümler (gerçek
zamanlı aşamada elde edilir), kullanıcı konumunu tahmin etmek için çevrimdışı
ölçümlerle karşılaştırılır. Genellikle parmak izleri veya özellikler RSSI formunda
toplanır. Çevrimdışı ölçümleri çevrimiçi ölçümle eşleştirmek için kullanılabilecek
bir takım algoritmalar vardır, bazıları aşağıda gösterilmiştir.

a) Olasılık yöntemleri: Olasılık yöntemleri, çevrimiçi aşamada elde edilen RSSI

değerlerinin “y” olması koşuluyla kullanıcının “x” konumunda olma ihtimaline
dayanmaktadır. L Lokasyon adayları grubunun şöyle olduğunu varsayalım : L=
{𝐿𝐿1 , 𝐿𝐿2 . . . . . . . 𝐿𝐿𝑚𝑚 }

Gözlemlenen herhangi bir çevrimiçi RSSI değer vektörü O için kullanıcı / cihaz
konumu L olacaktır:

P(𝐿𝐿𝐽𝐽 |𝑂𝑂)> P(𝐿𝐿𝐾𝐾 |𝑂𝑂) FOR J,K =1,2,3..................... m k≠j (2.4)

19
Denklem (2.4), kullanıcının bulunduğu lokasyonda L grubunda sınıflandırılacağını
gösterir. Eğer olasılığı başka herhangi bir lokasyondan yüksekse

P(𝐿𝐿𝐽𝐽 )= P(𝐿𝐿𝐾𝐾 )= for j,k = 1,2,3……….m k≠j (2.5)

Olasılık histogram ve çekirdek yaklaşımları kullanılarak hesaplanabilir [61].

Yukarıda tarif edildiği gibi, parmak izi yöntemleri, kullanıcının / cihazın konumunu
ayrı bir şebeke üzerinde eşlemek için çevrimiçi RSSI veya CSI ölçümlerini
kullanılmaktadır; bu şebekedeki her nokta, çevrimdışı ölçümlerin (yani parmak
izlerinin) elde edildiği uzaydaki pozisyonuna karşılık gelir.

b) Yapay Sinir Ağları: Yapay Sinir ağları çeşitli sınıflandırma ve tahmin

senaryolarında kullanılmaktadır. Yerelleştirme için NN, RSSI değerleri ve çevrimdışı
fazda elde edilen karşılık gelen koordinatlar kullanılarak eğitilmesi gerekir [62]. YSA
bir kez eğitildiğinde, çevrimiçi RSSI ölçümlerine dayanarak kullanıcı konumunu
belirlemek için kullanılabilir. Bir gizli düğüm katmanına sahip olan Çok Katmanlı
Perceptron (MLP) ağı, yerelleştirme için yaygın olarak kullanılan YSA'dan biridir
[61]. MLP tabanlı lokalizasyonda, RSSI ölçümlerinin bir giriş vektörü giriş ağırlıkları
ile çarpılır ve bir giriş katmanı yanlılığına eklenir. Elde edilen sonuç, gizli katmanın
transfer işlevine alınır. Aktarım işlevi çıktısının ürünü ve eğitilmiş gizli katman
ağırlıkları, gizli katman yanlılığına eklenir (eğer eğilim seçiliyse). Elde edilen çıktı,
tahmini kullanıcı yeridir.

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

Jiroskop ve ivmeölçere dayalı pozisyonlardaki hesaplanan hata, her pozisyonlama

işleminde birikir ve bu da robotun gerçek ve hesaplanan pozisyonları arasında
önemli bir sapma üretir. Ayrıca, bir robotun konumunu hesaplamak için gereken
minimum referans noktası sayısı dörttür, dörtten daha az referans noktasına sahip
olan bir robot konumundan sapar. Bununla birlikte, robotun hesaplanan son
konumu ve jiroskop ve ivmeölçer ölçümlerine dayalı gittiği mesafe,
konumlandırmada kullanılan referans noktalarından birisi olarak kullanılabilir.
Böylece bir robot, gövdedeki jiroskop ve ivmeölçer ölçümlerinden hesaplanan
ölçümlere dayalı kayıp sinyalleri telafi edebilir.

Gürültünün gövdedeki sensörlerin ölçümleri üzerindeki etkisini azaltmak için,

önerilen yöntem robotların birlikte çalışmasını sağlar ve konumlandırma
doğruluğunu artırır. Her robot, konumunu hesaplamak için güvertesindeki
sensörünü ve uzaydaki diğer robotların konumlarını kullanır. Her
konumlandırmada, robot, diğer robotlar da dahil olmak üzere, alandaki tüm
referans noktalarından gelen sinyalleri toplar ve uzayda mesafe ölçme yöntemine
göre bu noktalardan oluşan mesafeyi ölçer. Ayrıca, robot, referans noktası olarak
bilinen en son konumunu kullanır, bu referans noktasından 0luşan mesafe ise,
güvertedeki jiroskop ve ivmeölçer sensörlerini kullanılarak hesaplanır. Yeni konum,
daha sonra diğer robotların konumlandırma doğruluğunu geliştirmek için uzaydaki
onlara iletilir.

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.

(𝑥𝑥 − 𝑥𝑥1 )2 + (𝑦𝑦 − 𝑦𝑦1 )2 + (𝑧𝑧 − 𝑧𝑧1 )2 = 𝑟𝑟21 (3.1)

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)

Bu denklemlerin herhangi birinin diğer üçünden çıkarılması, konumunu tespit

edilen robotun şu anki konumunu temsil eden x, y ve z değişkenlerin kare
değerlerini ile bilinmeyen değerleri ortadan kaldırır. Böylece, denklem 3.5'in 3.2, 3.3
ve 3.4'ten çıkarılması denklem 3.6 ile 3.8 sonuçlanır. Bu üç denklemdeki tek
bilinmeyen değerler robotun koordinatları olduğundan, Eşitlik 3.9'da gösterilen
matris hesaplamalarını kullanılarak bu değerleri hesaplamak mümkündür.

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)

(2𝑥𝑥1 − 2𝑥𝑥4 ) (2𝑦𝑦1 − 2𝑦𝑦4 ) (2𝑧𝑧1 − 2𝑧𝑧4 )

𝐼𝐼𝐼𝐼𝐼𝐼 ��(2𝑥𝑥2 − 2𝑥𝑥4 ) (2𝑦𝑦2 − 2𝑦𝑦4 ) (2𝑧𝑧2 − 2𝑧𝑧4 )�� ∙
(2𝑥𝑥3 − 2𝑥𝑥4 ) (2𝑦𝑦3 − 2𝑦𝑦4 ) (2𝑧𝑧3 − 2𝑧𝑧4 )
(𝑟𝑟42 − 𝑟𝑟12 + 𝑥𝑥12 − 𝑥𝑥42 + 𝑦𝑦12 − 𝑦𝑦42 + 𝑧𝑧12 − 𝑧𝑧42 ) 𝑥𝑥
2 2 2 2 2 2 2 2
�(𝑟𝑟4 − 𝑟𝑟2 + 𝑥𝑥2 − 𝑥𝑥4 + 𝑦𝑦2 − 𝑦𝑦4 + 𝑧𝑧2 − 𝑧𝑧4 )� = �𝑦𝑦� (3.9)
(𝑟𝑟42 − 𝑟𝑟32 + 𝑥𝑥32 − 𝑥𝑥42 + 𝑦𝑦32 − 𝑦𝑦42 + 𝑧𝑧32 − 𝑧𝑧42 ) 𝑧𝑧

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.

𝐸𝐸 × (𝐸𝐸 − 1) × (𝐸𝐸 − 2) × (𝐸𝐸 − 3) (310)

𝐶𝐶 =
24

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

Bu robotların konumlandırma doğruluğunu geliştirmek amacıyla önerilen robot

işbirliği yönteminin performansını değerlendirmek , ve önerilen yöntemi kullanarak
robotların optimum çalışmasını sonuçlandırmak için ‘iki deney yapılmıştır. Bu
deneyler Matlab R2016, geliştirme ortamında, 2,8 GHz frekansında ve 16 GB
bellekte Intel® Core ™ i7 CPU'lu bir bilgisayarda çalışan bir Windows işletim sistemi
kullanılarak gerçekleştirilir.

4.1 Deney A

Bu deneyde, önerilen robotların işbirliği yönteminin, her bir robotun koordinatları,

mevcut referans noktalarından farklı kombinasyonlardan hesaplanan tüm adayların
ortalamasını kullanılarak seçildiğinde değerlendirilmiştir. Her bir robot için, alanda
biriken referans noktaları sabit noktalardır. Alandaki diğer robotlar, aynı robotlar
için son bilinen konum ve bu konumdan hesaplanan mesafe ise, güvdedeki jiroskop
ve ivmeölçer sensörlerini kullanılarak hesaplanır. Konumunu hesaplamaya çalışan
bir robotun 3 boyutlu uzayda en az üç konumu bilinen nokta haberleşmesi
gerekmektedir. Konumlandırma işleminin doğruluğunu arttırmak için o robotun
yakınına bir yardımcı robot gönderilir. Dahası, bu robot, güvertedeki sensörleri
kullanarak gürültünün etkisini azaltıp bölgedeki bulunan tüm robotların genel
doğruluğunu arttırmakta ve konumlarını hesaplamalarında diğer robotlara da
yardımcı olur. Yardımcı robot en az 3 farklı konumlarda konumunu kaybeden robot
ile haberleşerek konum hesaplamasına yardımcı olur.

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, yerleştirilen sensörler tarafından uygulanan ortalama mutlak hatayı,

önerilen yöntemi kullanarak hesaplanan konumların ortalama mutlak
konumlandırma hatasını ve alandaki her bir sabit nokta ve robot sayısı başına tek
bir konumlandırma işlemini tamamlamak için gereken ortalama süreyi
göstermektedir; bu ayrıca, Şekil 4.1'de de gösterilmektedir.

Tablo 4.1 Ortalama fonksiyonunu kullanarak alandaki her bir sabit nokta ve robot
sayısı için ortalama konumlandırma hatası

Referans Noktaları Ortalama Mutlak Hata (%) Ortalama Konumlandırma

Sensorlar Süresi
Sabit Noktala Robotlar Konumlandırma
( Ortalama)
4 0 0 0 0.05
3 0 0.17 0.17 0.05
3 1 0.28 0.23 2.18
3 2 0.36 0.21 108.16
2 1 0.34 0.34 0.06
2 2 0.39 0.34 2.09
2 3 0.46 0.29 117.20
1 2 0.42 0.42 0.05
1 3 0.62 0.56 1.99
1 4 0.67 0.58 112.73
0 3 0.77 0.77 0.05
0 4 0.82 0.78 2.10
0 5 0.92 0.83 114.52

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

Sonuçlara göre, önerilen yöntemin kullanılması, güvertedeki jiroskop ve ivmeölçer

sensorları tarafından oluşturulan gürültünün neden olduğu hatanın etkisini
azaltabildiğini görebiliriz. Ayrıca, önerilen yöntem, alanda dört noktadan az
olmasına rağmen, sabit referans noktalarından önemli ölçüde faydalanabilmiştir.
Bununla birlikte, alanda yalnızca üç referans noktası bulunduğu zaman robotun
konumlandırılması için önerilen yöntemden faydalanamıyoruz, böyle bir senaryoda
tek bir aday koordinat seti üretilebilecek denklemlerin sayısı sadece dört denk

4.2 Deney B

Bu deneyde önerilen yöntemin performansı, ortalama pozisyon yerine ortanca işlev

kullanıldığı zaman, robotun aday kümesinden konumunu seçmek için
değerlendirilir. Doğru karşılaştırmalar için, Matlab betiğinde aynı rastgele çekirdek
kullanılarak, önceki deneyde olduğu gibi bu deneyde de aynı rastgele hareket
uygulanır. Aynı rastgele çekirdeğin kullanılması, üretilen rastgele sayıların dizisi
senaryo uygulandığında aynı olduğunu gösterir. Alandaki referans noktalarının
sayısı, yardımcı robot da dahil olmak özere dörtten az olduğu zaman, daha fazla
referans noktasına gerek duyan robotların konumlandırılması işlemlerinin
doğruluğunu arttırmak için alana başka bir robot daha gönderilir. Bununla birlikte,

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.

Güvdedeki bulunan sensörler tarafından dayatılan ortalama mutlak hata, önerilen

yöntem kullanılarak hesaplanan konumlardan, adaylar kümesinden konum seçimi
için gereken ortanca işlevi ve ayrıca her konumlandırma işlemi için gereken
ortalama süre bu deneyden tablo 4.2'te toplanır.

Tablo 4.2 Ortalama fonksiyon kullanan alandaki her sabit nokta ve robot sayısı
başına ortalama konumlandırma hatası

Referans Noktaları Ortalama Mutlak Hata (%)

Ortalama Konumlandırma Süresi
Sabit Robot Sensörler Konumlandırma
4 0 0 0 0.01
3 0 0.17 0.17 0.01
3 1 0.28 0.07 0.02
3 2 0.36 0 0.04
2 1 0.34 0.34 0.01
2 2 0.39 0.13 0.01
2 3 0.46 0.08 0.03
1 2 0.42 0.42 0.01
1 3 0.62 0.38 0.02
1 4 0.67 0.31 0.03
0 3 0.77 0.76 0.01
0 4 0.82 0.59 0.02

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

Üçüncü bölümde robotların konumlandırması amacı için, değerlendirilen, ortalama

ve ortanca işlevlerden en uygun özet işlevini seçmenin yanı sıra, genel
değerlendirmede iki ana performans ölçütü göz önünde bulundurulmalıdır. Bu
ölçütler, konumlamanın doğruluğu ve robotun konumunu hesaplamak için gereken
zamandır. Konumlandırma doğruluğu daha yüksek önceliğe sahip performans
ölçümü olsa da, robotun konumunu hesaplamak için oldukça uzun zaman alan doğru
bir konumlandırma yöntemi gerçek hayattaki uygulamalarda geçerli değildir.

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

Ortalama Konumlandırma Hatası (%)

Referans Noktası Sayısı Ortalama Medyan
4 0.34 0.338
5 0.4775 0.2925
6 0.4775 0.2125

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

Şekil 4.3 Ortalama ve ortanca işlevler kullanıldığında konumlandırma doğruluğu

arasındaki karşılaştırma

Bu karşılaştırma, medyan fonksiyonunun, sabit nokta veya yardımcı robotlar

olmasına bakmaksızın, referans nokta sayısındaki artıştan faydalanabildiğini
göstermektedir. Medyan fonksiyonun aday koordinat listesinden uygun pozisyonu
seçmek için kullanılır. Ortalama işlev kullanıldığında konumlandırma hatası,
referans noktalarının sayısı dörtten beşe çıkarıldığında artmışken, referansların
sayısı altı olduğunda sabit kalmıştır. Performanstaki bu fark, ortanca işlev
tarafından seçilen koordinatlardaki hatanın, seçilen değer olan tek bir değer
tarafından verilmesi gerçeğine göredir; ortalama işlev kullanıldığında ise,

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

Ortalama Konumlandırma Süresi (S)

Referans Noktası Sayısı Ortalama Medyan
4 0.052 0.01
5 2.09 0.0175

6 113.153 0.035

120 0,1
Konumlandırma Süresi (S)

Konumlandırma süresi (S)

0,09
100
0,08
80 0,07
Ortalama

0,06 Medyan
60
0,05
40 0,04
0,03
20
0,02
0 0,01
4 5 6
Referans Noktası Sayısı

Mean Positioning Time Süresi

OrtalamaKonumlandırma (S) Average
(S) Ortalama Mean Positioning TimeSüresi
OrtalamaKonumlandırma (S) Median
(S) Medyan

Şekil 4.4 Ortalama ve ortanca işlevleri kullanarak önerilen yöntemin gerektirdiği

ortalama konumlandırmasüresinin gösterimi

Sonuçlara göre, her konumlandırma işlemi için ortalama işlevini kullanıldığında

gereken süre, medyan işlevi kullanıldığındaki gereken süre ile kıyaslandığında, daha
uzun olduğunu gösteriyor. Ayrıca, otalama fonksiyonun kullanımı , referans
noktalarının sayısında önemli bir bağımlılık göstermiştir, buna göre, ekstra referans

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.

Medyan işlev kullanıldığında, diğer referans noktalarının eklenmesiyle uygulanan

ortalama zaman artışı% 375'tir; tabi ki , ortalama işlevi kullanıldığında artan
değerden önemli ölçüde düşüktür. Ortanca işlev kullanıldığında zaman artırma,
fazladan referans noktaları ve gereken zaman için fazladan küre denklemleri
oluşturma ihtiyacı ile dayatılabilir. Bu nedenle, operasyona nispeten yoğun bir
hesaplama eklenmemiştir. Medyan fonksiyon, ortalama fonksiyona kıyaslanınca
hem konumlandırma doğruluğu hem de zaman yönlerinde aşısından daha iyi
performans gösterdiğinden, bu fonksiyon, bir alanda işbirliği yapan robotların

konumlandırma doğruluğunu geliştirmek için önerilen yöntemlerin arasında daha

uygundur. Medyan fonksiyon, minimum pozisyonlama zamanının artmasıyla
pozisyonlama doğruluğunda belirgin şekilde daha iyi bir gelişme göstermiştir.

BLE cihazları tarafından iletilen sinyallerin düşük bant genişliğine göre,

konumlandırma için toplanan ölçümlerde önemli hatalar ortaya çıkabilir [66].
Bununla birlikte, bu cihazlar düşük güç tüketimine ve nispeten geniş aralıklara göre
iç mekan konumlandırma için yaygın olarak kullanılır. Faragher ve Harle [67], iki
boyutlu konumlandırma için üç cihaz kullanan BLE cihazlarına dayanan çok yollu
bir azaltma şeması önermektedir. Çalışmanın sonuçları, optimal konumlandırma
performansının 10Hz işaretleme ve 1 saniyelik çok yollu bir azaltma işlem penceresi
boyutu ile sağlandığını göstermesine rağmen, bu tezde önerilen yöntemin
kullanılması, BLE’lerin sinyallerinin düşük bant genişliği tarafından uygulanan
konumlandırma sınırlandırmasının üstesinden gelmek için tüm işaret cihazları ve
cihazlar arasındaki işbirliğini dahil ederek konumlandırma doğruluğunu önemli
ölçüde geliştirebilir.

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

Bu çalışmada, belirli bir alanda robotların iç mekan konumlandırmasını iyileştirmek

için yeni bir teknik önerilmiştir. Önerilen yöntem, robotla aynı menzilde olan sabit
referans noktalarından toplanan ölçümlerden, çevredeki diğer robotların
konumlarından, ayrıca robotun bilinen son pozisyonundan ve bu konumdan kat
edilen mesafeden, gövde üzerinde taşıdığı jiroskop ve ivme ölçer sensörlerini
kullanarak yararlanır. Önerilen yöntemde ki gelişme, robot için, mevcut referans
noktalarından toplanan farklı kombinasyonlara ve bu noktalardan olan mesafelere
dayalı, aday koordinat listesi oluşturularak gerçekleştirilir.Daha sonra,
konumlandırma işlemlerini tamamlamak , gereken konumlandırma doğruluğunu
artırmek için, ortalama ve medyan fonksiyonları adında , iki özetleme fonksiyonu
değerlendirilir. Ardından, konumlandırma doğruluğunu ve konumlandırma işlemini
tamamlamak için gereken süreyi değerlendirmek için, ortalama ve medyan
fonksiyonları olan, iki özetleme fonksiyonu değerlendirilir. Medyan fonksiyonun,
robotun aday listesinden robotun konumunu seçmek için kullanılması ,
konumlandırma doğruluğu ve zamanda, ortalama fonksiyonun kullanılmasından
daha iyi sonuçlar göstermiştir. Medyan işlevi, konumlandırma hatasını azaltmada
önemli bir yetenek göstermiştir, yani daha fazla referans noktasından uzaklık
hesaplanarak, doğruluğu arttırma yeteneği göstermiştir. Bu referans noktaları sabit,
diğer robotlar veya güvertedeki sensörler olabilir. Öte yandan, ortalama işlevinin
kullanılması, aday listesindeki daha büyük hataların sonuçtaki konumu
etkilediğinden, daha fazla sayıda referans noktasını kullanarak daha az yetenek
göstermiştir. Ayrıca, medyan işlevinin kullanılması, önerilen yöntem tarafından
istenen konumlandırma süresinin, ortalama işlevinden daha fazla referans noktası
kullanıldığında, önerilen yöntemin gerektirdiği zaman artışına kıyasla, referans
noktalarının sayısına daha az bağımlı olduğunu göstermiştir.

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.

Gelecek çalışmalarda, önerilen yöntemin performansı, robotlardan birinin en az

dört sabit noktanın bulunduğu bir konuma geri dönmesine, konumu
güncellemesine, ardından diğer robotların konumlandırmasına yardımcı olmak için
ilk konumuna geri dönmesine izin verildiğinde değerlendirilir. Bu çalışmanın
sonuçları, en az dört sabit nokta kullanımının doğru konumlandırma ürettiğini
göstermiştir, böylece, robotlardan biri bu yolculukta herhangi bir hata oluşmasını
önler , kalan robotların doğruluğunu artırabilir.

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.

[2] Practical indoor localization system using GSM fingerprints and

embedded sensors Tian,Ye. Practical indoor localization system using GSM
fingerprints and embedded sensors. Diss. Université Pierre et Marie Curie-
Paris VI, 2015.

[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

[6] Kang,Wonho,et al."Improved heading estimation for smartphone-based

indoor Posit- ioning systems." PIMRC. 2012.

[7] W. Zhang, M. S. Chowdhury, and M. Kavehrad, "Asynchronous indoor

positioning system based on visible light communications," Optical
Engineering, vol. 53, p. 045105, 2014.

[8] J. Wang, A. Hu, C. Liu, and X. Li, "A floor-map-aided WiFi/pseudo-odometry

integration algorithm for an indoor positioning system," Sensors, vol. 15,
pp. 7096-7124, 2015.

[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.

[12] S.S. Chawathe. Low - latency indoor localization using Bluetooth

beacons.InProceeding of the 12th International IEEE Conference on
Intelligent Transportation Systems, page 1–7, St.Louis, MO, USA, Ekim 2009.

[13] Apple. iOS: understanding iBeacon. http://support.apple.com/kb/ht6048.

[14] A . Montaser and O. Moselhi. RFID indoor location identification for

construction projects. Automation in Construction, 39:167–179, April
2014.

[15] B. Ozdenizci, O. Kerem, V.Coskun, and M.N. Aydin. Development of an Indoor

Navigation System using NFC technology. In Proceedings of the
4thInternational Conference on Information and Computing, pages 11–14,
Phuket Island,Thailand, MART 2011.

[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.

[17] Yick, J,Mukherjee, B. and Ghosal, D. (2008): “Wireless Sensor Network

Survey”, Computer Networks, vol. 52, no. 12, pp. 2292–2330.

[18] Gusenbauer,D.,Isert,C.and Krösche, J.(2010):“Self‐Contained IndoorPosition

in on Off ‐The ‐ Shelf Mobile Devices”, Proceedings of the 2010
International Conferencon Indoor Positioning and Indoor Navigation
(IPIN),September 15 – 17, 2010 Campu Science City, ETH Zurich,
Switzerland.
[19] KI (2011): http://www.oki.com/, last accessed 16. mayıs 2019

[20] B. Hofmann -Wellenhof, H.Lichtenegger, and J. Collins.Global positioning

System:Theory and practice. Springer, Wien, Austria, 2001.

[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.

[23] F. Dovis, R.Lesca, D. Margaria, G. Boiero, and G. Ghinamo . An assisted High

sensitivity acquisition technique for GPS indoor positioning. In Proceedings
of 2008

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.

[26] N. Samama. Global positioning: Technologies and performance. Wiley

Survival Guides in Engineering and Science. Wiley, New York, NY, USA, Mart
2008.

[27] A. Varshavsky, E. de Lara, J. Hightower, A. LaMarca, and V. Otsason.

GSM indoor localization. Pervasive and Mobile Computing, 3(6):698–720,
Aralık 2007.

[28] V. Moghtadaiee, A.G.Dempster, and S. Lim. Indoor localization using FM

radiosignals: A fingerprinting approach. In Proceedings of 2011
International Conference on Indoor Positioning and Indoor Navigation,
pages 1–7, Guimaraes,Portugal, Eylül 2011.

[29] A.Popleteev,V.Osmani, and O. Mayora.Investigation of indoor localization

with ambient FM radio stations. In Proceedings of 2012 IEEE
InternationalConference on Pervasive Computing and Communications,
pages 171–179, Lugano, Switzerland, Mart 2012.

[30] Y.Chen, D.Lymberopoulos, J.Liu, and B.Priyantha.Indoor localization using

FM signals. IEEE Transactions on Mobile Computing, 12(8):1502–1517,
Mayıs 2013.

[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.

[34] S. Saha, K. Chaudhuri, D. Sanghi, and P. Bhagwat. Location determination ofa

mobile device using IEEE 802.11b access point signals. IEEE Wireless-
Communications and Networking Conference, 3:1987–1992, Marct 2003.

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.

[36] F. Subhan, H. Hasbullah, A. Rozyyev, and S.T. Bakhsh. Indoor positioning in

Bluetooth networks using fingerprinting and lateration a pproach . In
Proceedings of 2011 International Conference on Information Science and
applications, pages 1–9, Jeju Island, Korea, Nisan2011.

[38] G. Mao and B. Fidan. Localization algorithms and strategies for wireless
sensor networks.

[39] K. Sohraby, D.Minoli, and T. Znati. Wireless sensor networks: Technology

,protocols, and applications. John Wiley & Sons , New York, NY, USA, April
2007. Hershey, PA, USA, Mayıs 2009.

[40] J. Zhou and J. Shi. RFID localization algorithms and applications – a review.
Journal of Intelligent Manufacturing, 20(6):695–707, August 2008.

[41] S. Gezici, Z. Tian, G.B. Giannakis, H. Kobayashi, A.F. Molisch, H.V.Poor,

And Z. Sahinoglu. Localization via ultra-wideband radios: A look at
positioning aspects for future sensor networks. IEEE Signal Processing
Magazin 22(4):70– 84, Temmuz2005.

[42] A. E. Waadt, S. Wang, C. Kocks, A . Burnic, D. Xu, G. H. Bruck, and P. Jung.

Positioning in multiband OFDM UWB utilizing received signal strength.
In Proceedings of the 7thWorkshop on Positioning,Navigation
andCommunication, pages 308–312, Dresden,

[43] Y. Kilic, H. Wymeersch, A. Meijerink, M.J. Bentum, and W.G. Scanlon.An

experimental study of UWB device-free person detection and ranging.
InProceendings of 2013 IEEE International Conference on Ultra-
Wideband, pages 43–48, Sydney,NSW, Australia, September 2013.Germany,
Mart2010.

[44] R.W. Leviand T.Judd. Dead reckoning navigational system using

accelerometer to measure foot impacts. US Patent 5583776, 1996.

[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.

[46] A. Perttula, H. Leppakoski, M. Kirkko-Jaakkola, P. Davidson, J. Collin, and

J. Takala. distributed indoor positioning system with inertial measurements
and map matching.IEEE transactions onInstrumentation and
Measurement,63(11): 2682–2695, Kasım 2014.

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.

[53] J. Borkowski, J. Niemela, and J. Lempiainen . Enhanced performance of Cell

ID + RTT by implementing forced soft handover algorithm.In Proceedings o
the 60th IEEE Vehicular Technology Conference, volume 5, pages 3545 –
3549,Los Angeles, CA, USA, Eylül 2004.

[54] J. Medbo, I. Siomina, A. Kangas, and J. Furuskog. Propagation channel impact

on LTE positioning accuracy: A study based on real measurements of
observed time difference of arrival. In Proceedings of the 20 th International
Symposium on Personal, Indoor and mobile Radio Communications, pages
2213 2217, Tokyo, Japan, Eylül 2009.

[55] S. Fischer. Observed Time Difference Of Arrival ( OTDOA ) positioning in

3 GPP LTE Technical report, Temmuz 2014.

[56] W. Dargie and C. Poellabauer, Fundamentals of wireless sensor

networks:theory and parctice. John Wiley & Sons, 2010.

[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.

[57] J. Xiong and K. Jamieson, “ArrayTrack: a fine-grained indoor location

system,” in presented as part of the 10 th USENIX Symposium on Networked
Systems Design and implem- entation (NSDI 13), pp. 71–84, 2013.

[59] F. Zafari, I. Papapanagiotou, and K. Christidis, “Microlocation for Internet

of Things-Equipped Smart Buildings,” IEEE Internet of Things Journal,vol.
3,no. 1, pp. 96 -112, 2016.

[60] M. Youssef and A. Agrawala, “The horus WLAN location determination

system,” in Proceedings of the 3rd international conference on Mobile
systems, applications, and services, pp. 205–218, ACM, 2005.

[61] H. Liu, H. Darabi, P. Banerjee, and J.Liu,“Survey of wireless indoor positioning

techniques and systems,”IEEE Transactions on Systems, Man, and
Cybernetics, Part C (Applications and Reviews), vol. 37, no. 6, pp. 1067–1080,
2007.

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.

[65] M. C. Arya and A .Semwal, "Comparison On Average, Median And Wiene

Filter Using Lung Images," IMAGE, vol. 1, p. 3.45, 2017.

[66] B. Islam, M Uddin, S. Mukherjee, and S. Nirjon, "Rethinking ranging of

unmodifie BLE peripherals in smart city infrastructure, " in Proceedings of
the 9th ACM Multimedia systems Conference, 2018, pp. 339-350.

[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

İletişim Bilgisi: albayati.ban90@gmail.com

Makaleler

1. Albayati, B. and Kurt S. ,"Assisting 3D Indoor Positioning for Robot Navigation,"

Indoor robot positioning ,Electrica 19.1 (2019): 85-90.

42