Localização em ambientes semiabertos com redução de esforço por super-resolução e fusão de sinais Wi-Fi e FM baseada na distribuição Nakagami-m
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Outros Autores: | , |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Federal do Amazonas
Faculdade de Tecnologia Brasil UFAM Programa de Pós-graduação em Engenharia Elétrica |
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://tede.ufam.edu.br/handle/tede/10699 |
Resumo: | A localização em ambientes internos e semiabertos é um campo de crescente interesse devido à ampla aplicação em sistemas inteligentes, como navegação em locais fechados, gestão logística e monitoramento de pacientes. No entanto, métodos tradicionais de construção de mapas de fingerprints, baseados em medicões extensivas, enfrentam desafios relacionados ao alto custo de coleta e manutenção dos dados. Esta tese propõe um método inovador que combina técnicas de super-resolução de imagens e fusão de dados para otimizar a construção de fingerprints, reduzindo significativamente o esforço de coleta. O estudo integra medições de diferentes tecnologias, como redes Wireless Fidelity (Wi-Fi) e estações de rádio de frequência modulada ou Frequency Modulation (FM), para melhorar a robustez e precisão do sistema em cenários onde fontes de dados são limitadas ou inconsistentes. A metodologia envolve o uso de redes neurais convolucionais ou Convolutional Neural Network (CNN) previamente treinadas para processar dados do indicador de itensidade do sinal recebido ou Received Signal Strength Indicator (RSSI), permitindo a modelagem e previsão da propagação de sinal com maior detalhamento. Além disso, técnicas de fusão de dados são aplicadas para integrar informações de múltiplas fontes, maximizando a confiabilidade da localização em condições desafiadoras. Os experimentos foram conduzidos em 716 pontos de referência em um ambiente controlado, com avaliação de desempenho comparativo entre os métodos tradicionais e o modelo proposto. Os resultados demonstraram redução no esforço de coleta de dados, mantendo uma alta precisão de localização, com erro médio próximo a 1,31 metros utilizando menos da metade das redes Wi-Fi pré-defindas. Conclui-se que a abordagem proposta oferece uma solução eficiente para a construção de mapas de fingerprints, com potencial de aplicação em diversos cenários práticos. Este estudo avança o estado da arte em localização indoor e semiaberta, abrindo novos caminhos para o uso de aprendizado profundo e combinação de dados em sistemas de localização. |