Page Header

Accuracy Improvement for Localization in Outdoor Area Using Artificial Intelligence
การเพิ่มความแม่นยำในการระบุตำแหน่งในพื้นที่โล่งด้วยปัญญาประดิษฐ์

Kitmonkonchai Promboriraksa, Kampon Jawchumchuen, Kritsada Mamat

Abstract


บทความนี้นำเสนอการประยุกต์ใช้งานปัญญาประดิษฐ์เพื่อเพิ่มความแม่นยำในการระบุตำแหน่งในพื้นที่โล่งสองวิธีได้แก่วิธีการเคลื่อนลงตามความชันและวิธีอดัม โดยทั้งสองวิธีใช้การวนซ้ำเพื่อทำให้ค่าความคลาดเคลื่อนมีค่าต่ำที่สุด ความแตกต่างของทั้งสองวิธีคือวิธีอดัมใช้ค่าเฉลี่ยการเคลื่อนที่มาช่วยให้การวนซ้ำแต่ละรอบเคลื่อนที่ไปในทิศทางที่ช่วยลดค่าความคลาดเคลื่อนในขณะที่วิธีการเคลื่อนลงตามความชันใช้เพียงอนุพันธ์ของค่าความคลาดเคลื่อนเพียงอย่างเดียว สำหรับการประมาณพิกัดของวัตถุที่สนใจนั้นบทความนี้เลือกใช้วิธี True-range Multilateration ผลการดำเนินการแสดงให้เห็นว่าทั้งสองวิธีสามารถลดความคลาดเคลื่อนได้ใกล้เคียงกันโดยทังสองวิธีสามารถลดความคลาดเคลื่อนในการระบุตำแหน่งได้โดยสามารถลดความคลาดเคลื่อนลงได้ประมาณ 10.17% จากวิธีปกติภายในพื้นที่ทดลองขนาด 2,500 ตารางเมตร เมื่อพิจารณาถึงความซับซ้อนของทั้งสองวิธีพบว่าวิธีอดัมมีความซับซ้อนน้อยกว่าวิธีการเคลื่อนลงตามความชันมากในพื้นที่ขนาดเล็ก อย่างไรก็ตามเมื่อพิจารณาพื้นที่ขนาดใหญ่พบว่าวิธีการเคลื่อนลงตามความชันมีความซับซ้อนน้อยกว่าเล็กน้อย

In this article, we propose to apply two artificial intelligence methods, Gradient descent and Adam (Adaptive movement estimation), in order to increase the accuracy in localization for an outdoor area. Both methods use an iteration to minimize error. The difference between the two methods is that Adam applies moving average to reduce error while Gradient descent only uses partial derivative. We select a True-range multilateration method to estimate a coordinate of an interesting object. Simulation results show that both Gradient descent and Adam perform approximately the same. Both methods can reduce error from the conventional method by 10.17% for a 2,500 square meters area. For complexity, we observe that the Adam method requires much less complexity than Gradient descent dose in very small area size; however, Gradient descent is slightly less complex than Adam as the area size becomes bigger.


Keywords


การระบุตำแหน่ง; ปัญญาประดิษฐ์; วิธีการเคลื่อนลงตามความชัน; วิธีอดัม; Localization; Artificial intelligence; Gradient descent method; Adam method

[1] S. Li, M. Hedley, K. Bengston, D. Humphrey, M. Johnson and W. Ni, Passive locallization of standard WiFi devices, IEEE Systems Journal, 2019, 13(4), 3929-3932.

[2] S. Atipong, A study and design of object localization in wireless sensor network, The 39th Electrical Engineering Conference, Proceeding, 2016, 423-426.

[3] P. Dangkham, Indoor real time localization system with bluetooth low power, Journal of Industrial Technology, 2018, 13(1), 71 – 80. (in Thai)

[4] E.W. Lam and T.D.C. Little, Indoor 3D localization with low-cost LiFi components, 2019 Global LIFI Congress, Proceeding, 2019, 1-6.

[5] https://tupleblog.github.io/gradient-descent-part1/. (Accessed on 8 June 2021)

[6] D.P. Kingma and J.L. Ba, Adam: A method for stochastic optimization, International Conference on Learning Representation, Proceeding, 2014,1-15.

[7] T.S. Rappaport, Wireless communications: Upper saddle river, Prentice Hall, NJ, USA, 1996.

[8] D.M. Pozar, Microwave engineering, 2nd Ed., John Wiley & Sons, Inc., NY, USA, 1998.

[9] www.wikiwand.com/en/True-range_multilateration. (Accessed on 8 June 2021)

[10] Sutiyo, R.Hidayat, I. W. Mustika and Sunarno, The wide range of regression analysis in distance estimation system of the fingerprint-based outdoor wireless access point localization system, International Journal of Engineering and Technology, 2018, 7(4.40), 183 – 186.

[11] https://en.wikipedia.org/wiki/Monte_Carlo_method. (Accessed on 22 June 2021)

Full Text: PDF

DOI: 10.14416/j.ind.tech.2021.12.005

Refbacks

  • There are currently no refbacks.