Ataletsel sensör verileriyle derin öğrenme teknikleri kullanılarak navigasyon

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.