توصيفگر ها :
مخابرات نور مرئي , سيستم موقعيت‌يابي درون ساختماني , يادگيري ماشين , شبكه‌ي عصبي مصنوعي , شبكه‌ي عصبي پيچشي
چكيده فارسي :
سيستم‌هاي موقعيت‌يابي درون ساختماني در مقياس بزرگ يكي از فناوري‌هايي است كه با ظهور اينترنت اشياء و سيستم‌هاي هوشمند گسترش يافته است. روش‌هاي زيادي در موقعيت‌يابي دروني پيشنهاد شده است اما هر يك به نوعي با چالش‌هايي روبه‌رو هستند. ايده‌ي جذاب استفاده از منابع نورمرئي موجود در محيط‌هاي دروني با مزايايي مانند دقت و سرعت مناسب، هزينه‌هاي كم و عدم تداخل با امواج الكترمغناطيس اخيرا بيشتر مورد توجه قرار گرفته است. در اين سيستم‌ها، كاربر كه معمولا از يك دوربين به عنوان گيرنده استفاده مي‌كند، تصوير سقف محيط را تهيه كرده و از طريق سيستم‌هاي موقعيت‌يابي موقعيت خود را به دست مي‌آورد. نكته‌ي مورد توجه اين است كه در يك فضاي بزرگ و مشخصات دوربين‌هاي در دسترس كاربران، در هر تصوير كاربر قسمتي از چيدمان منابع نور سالن ديده مي‌شود. بنابراين با توجه به اين محدوديت موجود در ميدان ديد كاربر، موضوعاتي چون شناسايي منابع و توانايي تخمين موقعيت با تعداد محدود منابع نور اهميت پيدا مي‌كند.
در اين پايان‌نامه، سه روش موقعيت‌يابي در محيطي با ابعاد بزرگ و با درنظر گرفتن محدوديت‌هاي ميدان ديد كاربر پيشنهاد شده است. روش اول، روشي هندسي مبتني بر تفاضل زواياي نور دريافتي گيرنده است كه در دو چيدمان مختلف براي فرستنده‌ها بررسي مي‌شود. در اين روش شناسايي، شماره‌گذاري و تشخيص چيدمان تعداد محدود فرستنده ها در تصوير كاربر در مرحله‌ي پردازش تصوير انجام مي‌شود، سپس الگوريتم موقعيت‌يابي با در نظر گرفتن مختصات و چينش فرستنده‌ها به محاسبه‌ي تفاضل زواياي دريافت نور از فرستنده‌ها پرداخته و موقعيت‌يابي را بر اساس روابط رياضي انجام مي‌دهد. روش دوم، روشي بر پايه‌ي شبكه‌ي عصبي مصنوعي است كه ورودي آن برداري شامل اطلاعات شناسايي فرستنده‌ها و اطلاعات زواياي نور دريافتي استخراج شده از تصوير است. براي هر يك از دو چيدمان فرستنده‌ها شبكه‌اي را با استفاده از نقاط نمونه آموزش مي‌دهيم. سپس شبكه‌ي آموزش‌ديده بر مبناي اين اطلاعات موقعيت كاربر را در خروجي خود مشخص مي‌كند. در روش سوم بعد از ايجاد پايگاه داده شامل دسته‌بندي‌هاي برچسب‌گذاري شده، شبكه‌ي عصبي پيچشي را در نظر مي‌گيريم كه جزئيات تصوير كاربر را استخراج كرده و بر اساس اين جزئيات تصاوير را شناسايي مي‌كند. پس از آموزش شبكه با تصاوير نمونه، شبكه‌ي آموزش‌ديده تصوير كاربر را دريافت كرده و مختصات كاربر را با نسبت دادن آن تصوير به يكي از دسته‌بندي‌هاي تعريف‌شده‌ي تصاوير به دست مي‌آورد. نتايج شبيه‌سازي سيستم با در نظر گرفتن محدوديت ميدان ديد كاربر حاكي از دقت موقعيت‌يابي در حدود 16/5 تا 19 سانتي‌متر براي روش اول، 7 تا 8 سانتي‌متر در روش مبتني بر شبكه‌ي عصبي مصنوعي و 10 سانتي‌متر در روش سوم است.
چكيده انگليسي :
Large scale indoor positioning system is one of the technologies that have expanded with the advent of the internet of things and intelligent systems. Lots of positioning methods have been proposed but each has its own challenges. The interesting idea of using existing light sources in the indoor environments with the advantages such as proper accuracy and speed, low cost, non-interference with electromagnetic waves has received more attention recently. In these systems, where the user usually uses a camera as a receiver, user position will be obtained by giving the image taken by the user to the positioning systems. Note that in a large space and for the available camera specifications, in each image of the user, a part of the light source arrangement can be seen. Thus, due to the user limited field of view, issues such as resource identification and the ability of position estimation with a limited number of light sources are important.
In this thesis considering the limitation of the userʹs field of view, three positioning methods in a large scale environment have been proposed. The first method is a geometric method based on the difference of received angles of light, which is examined in two different arrangements for the transmitters. In this method, identifying, numbering and arranging the limited number of transmitters in the userʹs image is done in an image processing stage. Then, the positioning algorithm calculates the difference of the angles of receiving light by considering the coordinates and arrangement of the transmitters and performs the positioning based on mathematical relations. The second method is an artificial neural network-based method in which the input vector includes transmitter identification information and information on the angles of received light. We train a network for each LED arrangements using sample information. The trained network determines the userʹs position in the output. In the third method, first we make a classification dataset and design a convolutional neural network which extracts the userʹs image features and recognizes the image based on the features. After training the network with the sample images, the trained network receives the userʹs image and specifies the userʹs coordinates using image classification. The simulation results indicate the positioning accuracy of about 16.5 to 19 centimeters in the first method, 7 to 8 centimeters in the second method and 10 centimeters in the last method.
