Makine öğrenmesi ile bina içi görünür ışık konumlandırma

Görünür ışık tabanlı konumlandırma (VLP) sistemleri, radyo frekansı (RF) temelli konumlandırma sistemlerine alternatif bir yöntem olarak literatürde giderek daha fazla yer almaktadır. Düşük maliyetli altyapı gereksinimleri ve yüksek konumlandırma doğruluğu sayesinde VLP sistemleri, RF tabanlı sistemlere kıyasla önemli avantajlar sunmaktadır. Buna ek olarak, son yıllarda sistem performansını artırmak amacıyla makine öğrenmesi (ML) algoritmalarının kullanımında artış gözlemlenmiş ve bu doğrultuda çeşitli çalışmalar gerçekleştirilmiştir. Bu çalışmada ML algoritmalarının VLP sistemlerinde konum hatasına etkisi analiz edilmektedir. Direk sinyal (LOS) ve ilk yansımanın (NLOS) dikkate alındığı bina içi senaryoda alınan sinyal gücü (RSS) parametresi kullanılarak hata performansları elde edilmiştir. Işık yayan diyot (LED) sayılarının 4, 5, 8, 9, 12 ve 16 olduğu altı farklı senaryo dikkate alınmıştır. Bu senaryolarda LOS ve NLOS sinyallerden elde edilen RSS bilgileri kullanılarak veri seti oluşturulmuştur. Bu veri seti üzerinde farklı makine öğrenmesi algoritmaları çalıştırılmış ve sonuçlar analiz edilmiştir. Kullanılan algoritmaların performanslarına bakıldığında XGBoost ve rastgele orman (RF) algoritmaları en yüksek başarıyı göstermişlerdir. k en yakın komşu (kNN) algoritması, XGBoost ve RF algoritmalarına kıyasla daha düşük doğruluk göstermektedir. Trilaterasyon algoritması ise kNN, XGBoost ve RF algoritmalarına göre daha zayıf performans göstermiştir. Doğrusal regresyon (LR) en düşük başarıya sahip algoritmadır. Artan LED sayıları ile birlikte bu algoritmaların performansları birbirlerine yakınlaşmıştır. LR modelinin tüm LED sayıları için çok düşük performans gösterdiği görülmüştür. Düşük LED sayılarında RF algoritması daha iyi performans gösterirken, LED sayısının artmasıyla XGBoost algoritmasının performansı RF algoritmasını geçmektedir. Ek olarak, iç mekanlarda, özellikle duvarlara yakın bölgelerde yansıma etkisinin daha belirgin olması nedeniyle, veri seti merkez ve kenar bölge olmak üzere ikiye ayrılmıştır. Bu ayrım esas alınarak makine öğrenmesi algoritmaları her bölge için ayrı ayrı eğitilmiş ve bu yöntem sayesinde NLOS sinyallerinin etkisi azaltılarak hem geleneksel trilaterasyon algoritmasına hem de tek bölgeli ML tabanlı yöntemlere göre daha düşük ortalama konumlandırma hataları elde edilmesi sağlanmıştır.