Navigation based on inertial sensor data using deep learning techniques
Ataletsel sensör verileriyle derin öğrenme teknikleri kullanılarak navigasyon
- Tez No: 667881
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET CENGİZ ONBAŞLI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Yayaların konumlarını sürekli ve gerçek zamanlı bir şekilde, içeride ve dışarıda kestirmek; tıbbi rehabilitasyon, iş sağlığı ve güvenliği ve perakende alanlarında önemli bir problemdir. Dışarıda uydular net olarak görünüyorken küresel konumlama sistemi (GPS) akıllı telefon ve saatlere hassas pozisyonlama çözümü sağlayabilir. Fakat kapalı mekanlarda ya da yoğun şehir merkezlerinde çok yollu yansıma ve binaların sinyallere engel olması gibi problemlerden ötürü GPS sinyalleri her zaman kullanılabilir değildir. Baz istasyonları ve kablosuz yerel alan ağları (WLAN) gibi mevcut altyapıların üçgenleme yöntemiyle kullanımı, yayaların iç mekanlarda konumlandırılması için başka bir olanaktır. Yine de bu çözümler de çok yollu kayıp gibi benzer sinyal sorunlarından etkilenir. Sıfır hız güncellemelerine bağlı ataletsel konumlama (ZUPT) veya yaya uç uca ekleme (PDR) yöntemleri, dahili ataletsel ölçüm birimlerinin (AÖB) kullanımıyla herhangi bir dış altyapıya ihtiyaç duymaz. Fakat bu uç uca ekleme yöntemleri, tüketici sınıfı AÖB'lerdeki sensör hatalarının entegrasyonla birikmesinden ötürü sınırsız konumlama hatasına sahiptir. Bu hata, sonlu ve sınırlı olan termomekanik gürültü, sabit kayma, orantı katsayısı ve eksenel kaçıklık hatalarından kaynaklanır. Sürekli yaya konumlamanın uygun yolu, hassas bir AÖB temelli yöntemin tümleşik bir navigasyon biriminin parçası olarak kullanılmasıdır. AÖB temelli çözüm, pozisyonlamayı GPS ya da WLAN sistemlerindeki sinyal kesintilerinde bile devam ettirebilir. Son yıllarda derin öğrenme (DL) temelli uç uca ekleme yöntemlerinin klasik ZUPT ve PDR yöntemlerinden konumlama doğruluğu açısından daha iyi çalıştığı gösterilmiştir. Bu tezde son teknoloji derin öğrenme temelli ataletsel konumlama yöntemleri rafine edilerek daha hassas hale getirilmiş, hafıza alanı küçültülmüş ve gecikmesi kısaltılmıştır. Son yıllardaki derin öğrenme temelli konumlama sistemleri görsel konumlama sistemlerine bağlı olmadan yüksek hassasiyetli konum takibi yapabilmektedir. Bu çalışmada bu sistemleri rafine ederek daha kompakt ve güçlü bir konumlama yöntemi sunduk. Sunduğumuz yapay sinir ağlarımızla (ANN) tahmin edilen pozisyonun ortalama karesel hatasını (RMSE) %26 oranında düşürürken, eğitilebilir parametre sayısını ve gecikmeyi sırasıyla %64 ve %50 oranlarında azalttık. Sonuç olarak sistem mobil aletlerde ve gömülü sistemlerde çalışmaya daha elverişli hale geldi. Dahası önerilen DL mimarisini AÖB kullanılarak dron pozisyonlama problemine de uyguladık. Üç farklı dron veri kümesi ile DL mimarilerini eğitip ve test ettik. Sadece AÖB kullanarak dron pozisyonlama mümkün olsa da bu problemin dronun zorlu hareket özelliklerinden ötürü fazladan zorlukları vardır. Sonuç olarak, bu model, arama kurtarma, spor performans ölçümü, dron konumlama gibi mobil aletlerin içerideki kullanımlarında pozisyonlama hassasiyetini arttırmaya yardımcı olur.
Özet (Çeviri)
Estimating the location of pedestrians continuously and in real-time indoors and outdoors is an important problem in medical rehabilitation, occupational health and safety as well as retail applications. When a clear view of satellites is available outdoors, the Global Positioning System (GPS) can provide accurate positions to smart phones and smart watches. GPS signals, however, are not always available especially in indoor or dense urban environments due to multi-path reflection or signal blockage by buildings. Utilizing the existing wireless infrastructures like cell-tower or wireless local area networks (WLANs) is another possibility for indoor pedestrian navigation by triangulation methods. Nevertheless, these solutions also suffer from multipath loss and similar signal problems. Strapdown inertial navigation with zero-velocity update (ZUPT) or pedestrian dead reckoning (PDR) methods provide a navigation solution based on on- board inertial measurement units (IMU) without depending on any external infrastructure. These dead reckoning methods, however, have unbounded consumer-grade IMU positioning errors due to sensor error accumulation by integration. These errors originate from finite and bounded random drift, axis misalignment, scale factor, and thermomechanical white noise. An appropriate way for continuous pedestrian positioning is to use an accurate IMU based method as a sub-system of an integrated navigation unit. The IMU-based positioning is a functional solution even in the case of a temporary signal blockage of the position-fixing subsystem such as the GPS or WLAN. Recently, it has been shown that deep learning (DL) based dead reckoning methods outperform the classical ZUPT and PDR methods in terms of the positioning accuracy. In this thesis, the state-of-the-art deep inertial odometry methods have been refined, made more accurate, smaller in memory size and latency. Recent DL-based dead reckoning methods show that deep recurrent neural networks can yield highly accurate trajectories compared with other shallow techniques without resorting to visual odometry. By refining the DL model architecture, we present a compact and robust deep inertial odometry methodology. While the root-mean-squared error (RMSE) for the estimated position decreases by 26% in our model, the number of trainable parameters and the latency of the artificial neural network (ANN) are decreased by 64% and 50%, respectively. Thus, the ANN method has become more feasible to implement on mobile devices and embedded systems. Furthermore, the proposed DL architecture is extended on drone positioning problem using IMUs. Using three different drone positioning datasets, DL architectures have been trained and tested. While drone-positioning using only IMU data is feasible, this problem presents additional challenges due to complex motion dynamics. Thus, this model can help improve positioning accuracy in applications involving mobile devices with indoor uses such as search and rescue, sports performance measurements, drone localization.
Benzer Tezler
- Vision based indoor mobile robot localization using deep learning
İç ortamlarda derin öğrenme ile bilgisayarlı görüye dayalı gezgin robot konum kestirimi
ARAFAT EMAD ARAFAT SHARIF
Yüksek Lisans
İngilizce
2020
Mekatronik MühendisliğiBahçeşehir ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BERKE GÜR
- Launch vehicle navigation system design and comprehensive performance analysis
Fırlatma aracı seyrüsefer sistem tasarımı ve kapsayıcı performans analizi
ALTUĞ ERTAN
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZ HACIZADE
- Guidance, navigation and control of an autonomous underwater vehicle
Otonom bir su altı aracının güdüm, seyrüsefer ve kontrolü
MEHMET AVİNÇ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZ HACIZADE
- Infrastructure independent pedestrian localization using dead reckoning and particle filter
Parakete seyri hesabı ve parçacık filtresi ile altyapısız yaya konum belirleme
MEHMET ENES CAVLI
Yüksek Lisans
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ
- Mobil robotlarda Markov konumlama tabanlı navigasyon
Navigation in mobile robots based on Markov localization
MUSTAFA TANIŞ
Yüksek Lisans
Türkçe
2015
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN TEMELTAŞ