Adaptive Localization Using Machine Learning : Models, Methods, and Applications
Ladataan...
Lopullinen julkaistu versio - 16.59 MB
Siemuri, A. A. (2026). Adaptive Localization Using Machine Learning: Models, Methods, and Applications [Doctoral dissertation, University of Vaasa]. Osuva. https://urn.fi/URN:ISBN:978-952-395-251-5
Pysyvä osoite
Kuvaus
Compilation dissertation’s summary section is licensed under Creative Commons Attribution ShareAlike 4.0 International.
Tämä väitöskirja tutkii koneoppimisen (ML) tekniikoiden käyttöä paikannus-tarkkuuden parantamiseksi käyttämällä edullisia antureita. Viimeaikaiset edistysaskeleet edullisissa kaksitaajuisissa GNSS-vastaanottimissa ja edulliset GNSS-signaalinkorjauspalvelut ovat luoneet uusia mahdollisuuksia massamarkkinoiden tarkkojen sijaintiperusteisten sovellusten kehittämiselle. Mainittuihin teknologioihin kuuluvat GNSS, ultralaajakaista (UWB), Bluetooth, 5G, tutka, inertianavigointijärjestelmät (INS), näköön perustuva paikannus ja erilaiset GNSS-korjauspalvelut. Koneoppimisen hyödyntämistä GNSS-sovelluksissa tarkasteltiin systemaattisesti. Katsaukseen sisältyi sarja kokeellisia tutkimuksia kaupallisen luokan GNSS-vastaanottimilla, mukaan lukien älypuhelinpohjaisilla sensoreilla, joita käytettiin kustannustehokkaiden ja luotettavien paikannusjärjestelmien kehittämiseen. Näitä ovat: (i) pelkästään GNSS:ään perustuva järjestelmä, jota on parannettu koneoppimiseen perustuvalla adaptiivisella paikannuksella (MAP), (ii) GNSS/IMU-ratkaisu, joka hyödyntää Rauch-Tung-Striebel (RTS) -tasoitusta tarkkuuden parantamiseksi kaupunkiympäristöissä, ja (iii) saumaton sisä- ja ulkotilojen paikannusjärjestelmä, joka yhdistää GNSS-, UWB- ja IMU-anturit. Ehdotetut menetelmät osoittivat kilpailukykyistä suorituskykyä globaaleissa vertailuissa, kuten Google Smartphone Decimeter Challengessa. Lisäksi tutkitaan vaihtoehtoista GNSS/IMU-fuusiomenetelmää, joka käyttää tekijägraafioptimointia (FGO), ja jolla saavutetaan parempi suorituskyky signaalin heikkenemisen tilanteissa.
Väitöskirja ulottuu myös avaruussovelluksiin käyttämällä koneoppimismalleja matalan Maan kiertoradan (LEO) satelliittien tarkkaan kiertoradan määritykseen (POD), mikä osoittaa polynomiregression edun epälineaarisen kiertoradan dynamiikan mallintamisessa. Lisäksi tutkitaan Edge AI -sovelluksia ottamalla käyttöön TinyML-malleja laitteen paikannukseen, korostaen toteutettavuutta rajoitetuissa ympäristöissä ja ottaen samalla huomioon energiatehokkuuden, yksityisyyden ja reaaliaikaisen sopeutumiskyvyn. Tekoälyn/koneoppimisen eettisiä vaikutuksia lokalisoinnissa tarkastellaan EU:n tekoälylain kontekstissa painottaen oikeudenmukaisuutta, läpinäkyvyyttä ja vastuullista tekoälyn hallintaa. Yhdessä nämä tutkimukset osoittavat koneoppimisen ja TinyML:n käytännöllisen, skaalautuvan ja eettisen käytön tarkkaan ja luotettavaan lokalisointiin erilaisissa käyttötapauksissa ja ympäristöissä.
Emojulkaisu
ISBN
978-952-395-251-5
ISSN
2323-9123
0355-2667
0355-2667
Aihealue
Kausijulkaisu
Acta wasaensia
OKM-julkaisutyyppi
G5 Artikkeliväitöskirja
Saavutettavuusominaisuudet
Navigointi mahdollista
Alkuperäiset LaTeX-tiedostot saatavilla. Original LaTeX files available.