Accuracy Improvement for Localization in Outdoor Area Using Artificial Intelligence การเพิ่มความแม่นยำในการระบุตำแหน่งในพื้นที่โล่งด้วยปัญญาประดิษฐ์

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.