Cooperative localization using probabilistic inference

İsabetli konumlandırmalar, günümüzün birbirine bağlı dünyasında çeşitli lokalizasyon tabanlı hizmetlerin işlevselliğini ve verimliliğini arttırmak için son derece önemlidir. Üçgenleme, trilaterasyon ve parmak izi gibi geleneksel konumlandırma teknikleri ideal koşullar altında kabul edilebilir doğruluk sunarken, sinyallerin çok yolluluğu, sinyal zayıflaması ve sınırlı bağlantı mesafeleri gibi faktörler nedeniyle karmaşık ortamlarda zorluklarla karşılaşırlar. Bu zorluklar, daha güvenilir ve esnek konumsal tespit yöntemlerinin gerekliliğini ortaya koymaktadır. Birden fazla hedef ve referans noktası arasında iş birliğine dayalı bilgi paylaşımını kullanan iş birlikli lokalizasyon, özellikle geleneksel sistemlerin yetersiz kaldığı ortamlarda lokalizasyon doğruluğunu artırmak için umut verici bir çözüm olarak ortaya çıkmaktadır. Bu tez, aktörler arasındaki iş birliğinden yararlanarak geleneksel lokalizasyon yaklaşımlarının kısıtlamalarını ele almak için olasılıksal bir yaklaşımı benimsemektedir. Bu çalışmada, Markov Rastgele Alan grafik modeli kullanılarak lokalizasyon problemi formüle edilmiş ve çözümü için Parametrik Olmayan Kanı Yayılımı kullanılmıştır. Metodoloji, alınan sinyal gücü ölçümlerinin girdi verisi olarak simüle edilmesini ve daha sonra Parçacık Filtreleme ve Çekirdek Yoğunluğu Tahmini kullanılarak hedef konumların güven dağılımlarının yaklaşık olarak hesaplanmasını içermektedir. Kapsamlı simülasyonlar aracılığıyla tez, olasılıksal çerçevenin yalnızca konumlandırmaların doğruluğunu ve güvenliğini artırmakla kalmayıp aynı zamanda değişen çevresel koşullara ve gürültü seviyelerine etkili bir şekilde uyum sağladığını göstermektedir. Sonuçlar, olasılıksal çıkarım yöntemlerinin belirsizlikleri etkili bir şekilde modelleyerek ve önceki bilgileri dahil ederek lokalizasyon performansını önemli ölçüde artırdığını ve karmaşık senaryolar için oldukça uygun olduğunu ortaya koymaktadır. Olasılıksal çıkarım kullanan iş birliğine dayalı konumlandırmaların bu kapsamlı araştırması, geleneksel yerelleştirme tekniklerine verimli bir alternatif sunarak potansiyel uygulamaları ve etkinliği hakkında değerli bilgiler sağlar.