Dinamik İç mekanda GPS sinyali yok, nasıl doğru bir şekilde gezinilir?
AI Technology Review Press : Modern havalimanı terminallerinde, hastane binalarında, ofis binalarında, spor sahalarında, üniversite kampüslerinde ve perakende mağazalarında, rahat ve kullanımı kolay iç mekan navigasyon uygulamaları pazarı genişliyor. MarketWatch'tan (Dow Jones'a ait bir haber sitesi) gelen bir rapora göre, bu talebin 2022 yılına kadar% 30 oranında artması bekleniyor. Akıllı telefonlarda manyetometre, ivmeölçer ve jiroskop gibi gelişmiş sensörlerin ortaya çıkması bu talebi hızlandıracaktır. Bu talebi karşılamak için IBM Irish Research Institute, farklı akıllı telefonlarda kullanılan mevcut ticari çözümlerden daha doğru olan bir üretim ortamında kullanılabilecek bir iç mekan konumlandırma sistemi kurdu.
Bu kendi kendine öğrenen, kendi kendine uyarlanabilir platform, kullanıcının seyahat planını anlamak için en küçük miktarda Bluetooth düşük enerjili (BLE, Bluetooth düşük enerji) işaretlerini kullanır, öğrenir ve belirli bir iç mekan alanındaki her akıllı telefon modeli için özelleştirilmiş bir model oluşturur. Manyetik harita. Yeni sistem, güçlü konumlandırma doğruluğu sağlar ve karakteristik parmak izini 1 ve konumlandırmayı kaydetmek için kullanılan cep telefonu modelinden bağımsızdır. Araştırma ekibi tarafından yakın zamanda yayınlanan bir makalede, deneyler, bu aracın manyetik alan konumlandırmaya dayalı ticari çözümlere kıyasla önemli ölçüde iyileştirilmiş doğruluğa sahip olduğunu göstermiştir.
Şekil 1: Sistem mimarisi
En yeni iç mekan konumlandırma sistemleri, WiFi ve Bluetooth düşük enerjili işaretçiler gibi modern iç mekan ortamlarında sıklıkla görülen sinyalleri kullanır. GPS sinyallerini kullanan harici konumlandırma yöntemi yeterince doğru olmadığından, iç mekan navigasyonu etkili bir şekilde gerçekleştirilemez. İç mekan konumlandırma sistemi, kullanıcının binadaki yerini tespit edebilmeli ve kullanıcıya binada nasıl gezinileceği talimatını verebilmelidir. Bu sistemler çeşitli senaryolarda kullanılmaktadır. Tasarımları ve uygulamaları, belirli kullanıcı ihtiyaçlarını karşılayabilir. Örneğin, 2017'de IBM Tokyo Araştırma Enstitüsü, görme engelliler için deneysel bir yüksek hassasiyetli iç ve dış mekan sesli navigasyon sistemi oluşturdu.
Manyetik alan yöntemi, özel sensör kurulumu veya bakımı gerektirmediği için, akıllı telefonda zaten bulunan sensörler aracılığıyla uygulandığı için giderek daha popüler hale gelen düşük maliyetli bir yöntemdir. Bununla birlikte, farklı akıllı telefon modellerinin sensör okumalarındaki fark, iç mekan konumlandırma doğruluğunu ciddi şekilde etkiler.
Mevcut manyetik alan tabanlı yöntemler için, son kullanıcının sistemi kullanabilmesi için önce bir kapalı alan karakteristik parmak izi tanımlama aşaması gereklidir. Bu süreçte, hizmet sağlayıcının yayaların erişebileceği tüm alanların manyetik alan okumalarını toplamak ve açıklamalarla iç mekanın statik bir haritasını oluşturmak için bir akıllı telefon kullanması gerekir. Gerçek dünyada, son kullanıcının cep telefonu modeli, bu aşamada karakteristik parmak izi tanıma için kullanılan akıllı telefon modelinden farklı olabilir. Araştırmacılar çalışmalarında iç mekan konumlandırma sistemlerinin doğruluk kaybını ölçecekler.
Bu sistem kendi kendine uyarlanabilir ve farklı kullanıcılar ve farklı akıllı telefon modelleri için yüksek doğruluk sağlamak için eğitimi sürekli olarak tekrarlar. Yöntem, son kullanıcının konumlandırma oturumunu analiz etmek, böylece sistemin bilgi tabanını farklı akıllı telefon modelleri için manyetik alan verilerini okumak üzere geliştirmektir. Kullanıcı akıllı telefon iç mekan konumlandırma uygulamasından çıktıktan sonra, sistem kaydedilen sensör okumalarını bulut altyapısında işleyecek ve kullanıcının yolunu yeniden oluşturmaya çalışacaktır. Bu yeni teknolojiye "yol muhakemesi" adı verilir ve parçacık filtrelemeye ve şekil eşleştirmeye dayanır. Araştırmacıların, alanın manyetik haritasına yeni bir bilgi katmanı eklemelerine olanak tanır. Bu nedenle, aynı akıllı telefonun sonraki konumlandırma oturumları daha yüksek bir doğruluk oranına sahiptir.
Şekil 2: Yol muhakemesi ve öğrenme
Manyetik alan konumlandırmaya dayalı genel ticari çözümlerle karşılaştırıldığında, bu aracın deneysel değerlendirmesi önemli bir doğruluk artışı göstermiştir. Spesifik olarak, ticari alternatiflerle karşılaştırıldığında, doğruluğu ortalama olarak yaklaşık 15 metre artırır. Bu bulgular, son Uluslararası İç Mekan Konumlandırma ve İç Mekan Navigasyon Konferansında (IPIN 2018) yayınlandı.
Şekil 3: Deneysel sonuçlar, doğruluğun 15 metre artırıldığını göstermektedir.
Sistemin yeniden eğitilmesine ihtiyaç duymayan ekipman sahipleri için bu kendi kendine öğrenen yapay zeka aracı, düşük maliyetli bir çözüm sunar. Ekipman sahipleri ve operatörler, daha iyi planlama kararları vermek ve son kullanıcılar için sorunsuz bir deneyim sağlamak için bu aracı kullanmaktan hızla yararlanabilir.
Bu araçla, akıllı telefonunuzu kullanarak toplantı odalarını veya umumi masaları daha hızlı, daha kolay ve daha doğru bir şekilde bulabilir, havaalanı biniş kapılarına hizmet verebilir, üniversite kampüslerinde konferans salonları bulabilir, bir hastanede bir hastayı ziyaret edebilir veya bir randevuya katılabilirsiniz. Ve hatta perakende mağazalardaki ürünleri bulun.
Orijinal makaleye bakın: Yiannis Gkoufas, Kostas Katrinis Copernicus: A Robust AI-Centric Indoor Positioning System. Indoor Positioning and Indoor Navigation (IPIN) Conference, 2018.
1: Çevirmenin Notu: İletim sırasında sinyalin yansıması, kırılması ve zayıflaması nedeniyle, her belirli konumda benzersiz bir fiziksel sinyal özelliği oluşur.Bu özelliğe parmak izi denir.
IBM, AI teknolojisi inceleme derlemesi aracılığıyla
İlginç projeyi görüntülemek için orijinal metni okumak için tıklayın - arabanın otomatik sürüşünü Raspberry Pi'de Tensorflow kullanarak gerçekleştirmek için kendiniz yapın
