30579

افزايش دقت موقعيت‌يابي فناوري UWB با استفاده از روش‌هاي يادگيري عميق در محيط‌هاي NLOS/LOS

كارشناسي ارشد

مهندسي برق

1399

1402/11/29

سعيد عبادالهي

مهندسي برق

گذران زياد وقت كاربران در محيط‌هاي سرپوشيده به‌منظور رديابي اشيا و يا مكان‌يابي شخص سبب شده كه مسائل راهيابي و هدايت درون اين محيط‌ها به فرايندي چالش‌برانگيز تبديل شود. طبق تحقيقات انجام شده انسان حدود 70-90 درصد زمان زندگي و كار خود را در محيط‌هاي داخلي مي‌گذراند؛ بنابراين تهيه سيستم‌هايي براي ارائه خدمات مناسب به كاربران در محيط‌هاي بسته امري ضروري به نظر مي‌رسد. مكان‌يابي كاربر و دستگاه، داراي كاربردهاي گسترده در بخش بهداشت، صنعت، مديريت بحران، مديريت ساختمان، نظارت و بخش‌هاي مختلف ديگر است.فناوري‌هاي مختلفي در سيستم مكان‌يابي داخلي وجود دارد. فناوري هاي موقعيت‌يابي متعددي در حاضر قابل دسترسي هستند، كه در اين پايان نامه فناوري پهناي باند عريض (UWB) به دليل دقت بالا در امر موقعيت‌يابي داخلي مورد بررسي قرار گرفته است. با اين حال، محيط هاي داخلي پر از اشياء و اشخاص است بنابراين سيگنال هاي ارسالي ممكن است توسط موانع منعكس شوند. در مقايسه با سيگنال خط ديد مستقيم (LOS)، تاخير مسير ارسال سيگنال موجود در سيگنال خط ديد غيرمستقيم (NLOS) باعث ايجاد خطاهاي مثبت فاصله و در نتيجه خطاهاي موقعيت‌يابي مي شود. به‌منظور اينكه بتوان اثر شرايط خط ديد غيرمستقيم را براي امر موقعيت‌يابي كاهش داد، در اين پايان‌نامه سعي شده در ابتدا با ارائة شبكه‌هاي يادگيري عميق و با استفاده از داده‌هاي پاسخ ضربه كانال به‌عنوان ورودي بدون دانستن هيچ پيش دانشي از محيط به كمك اين شبكه‌ها بتوان تفكيك بادقت بالا براي شرايط LOS و NLOS داشته باشيم. همچنين نتيجه اين طبقه‌بندي با دو مرجع ديگر كه از مجموعه‌داده يكسان استفاده نموده‌اند مقايسه مي‌شود. پس از شناسايي شرايط NLOS با ارائه شبكه‌هاي رگرسيوني متفاوت سعي بر تخمين موقعيت تحت دو حالت 1) در نظر گرفتن شرايط NLOS و 2) بدون در نظر گرفتن شرايط NLOS شده است.نتايج شبيه‌سازي در بخش اول يعني دسته‌بندي سيگنال‌هاي NLOS/LOS نشان مي‌دهد كه شبكه‌هاي عصبي كانوولوشنالي (CNN) و تلقيني (Inception) پيشنهاد شده نسبت به روش‌هاي نسبت به روش‌هاي شبكه عصبي مرسوم (شبكه‌هاي عصبي پيشخور با تعداد لايه‌هاي مخفي و نورون‌هاي متفاوت) دقت بالاتري را در امر تشخيص اين دو محيط از يكديگر دارند و همچنين در بخش موقعيت‌يابي با استفاده از الگوريتم‌هاي رگرسيوني، در هر دو حالت، شبكه ماشين بردار پشتيبان (SVM) خطاي كمتري در تخمين موقعيت تگ از خود به نمايش گذاشته است.

1402/12/13

Increasing the positioning accuracy of UWB technology using deep learning methods in NLOS/LOS environments

2/17/2025 12:00:00 AM

The prolonged stay of users in indoor environments for object tracking or person localization has turned navigation and guidance within these enclosed spaces into a challenging process. According to conducted research, humans spend approximately 70-90% of their life and work time in indoor environments; therefore, developing systems to provide suitable services to users in confined spaces is deemed essential. User and device localization has extensive applications in various sectors, including healthcare, industry, crisis management, building management, surveillance, and other diverse fields. Various technologies exist in indoor positioning systems. In this thesis, Ultra-Wideband (UWB) technology has been investigated due to its high precision in indoor positioning. UWB technology has been recognized as having significant potential in constructing accurate Indoor Positioning Systems (IPS). However, indoor environments are filled with objects and individuals, which may cause signals to be reflected by obstacles. In comparison to Line of Sight (LOS) signals, the signal path delay in Non-Line of Sight (NLOS) signals introduces positive distance errors and consequently positioning inaccuracies. To mitigate the impact of NLOS conditions on positioning, this thesis aims to initially use deep learning networks with channel impulse response data as input, without any prior knowledge of the environment, to accurately distinguish between LOS and NLOS conditions. The classification results are also compared with two other references using the same dataset. After identifying NLOS conditions, different regression networks are presented to estimate positions under two scenarios: 1) considering NLOS conditions, and 2) disregarding NLOS conditions. Simulation results in the first part, the classification of NLOS/LOS signals, indicate that proposed Convolutional Neural Networks (CNN) and Inception networks outperform conventional neural network methods (advanced neural networks with different hidden layers and neurons) in accurately distinguishing between these two environments. Additionally, in the positioning section using regression algorithms, in both scenarios, the Support Vector Machine (SVM) machine learning network exhibits lower error in estimating tag positions compared to itself without considering NLOS conditions.

Mohammadali Ghaemifar

Saeed Ebadollahi