Aprendizagem de máquina para sistemas de localização em ambientes internos RFID
Object location in indoor environments is a challenging task due to the absence of physical contact or field of vision, reflective materials, excessive obstacles, and a high density of items. Several surveys propose using Radio Frequency Identification (RFID) technology and Machine Learning (ML) met...
| Autor principal: | Gomes, Eduardo Luis |
|---|---|
| Formato: | Tese |
| Idioma: | Inglês |
| Publicado em: |
Universidade Tecnológica Federal do Paraná
2022
|
| Assuntos: | |
| Acesso em linha: |
http://repositorio.utfpr.edu.br/jspui/handle/1/29646 |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
| id |
riut-1-29646 |
|---|---|
| recordtype |
dspace |
| spelling |
riut-1-296462022-09-17T06:08:24Z Aprendizagem de máquina para sistemas de localização em ambientes internos RFID Machine learning for RFID indoor positioning systems Gomes, Eduardo Luis Fonseca, Mauro Sergio Pereira http://orcid.org/0000-0003-1604-0915 http://lattes.cnpq.br/6534637358360971 Lazzaretti, André Eugênio https://orcid.org/0000-0003-1861-3369 http://lattes.cnpq.br/7649611874688878 Lazzaretti, André Eugênio https://orcid.org/0000-0003-1861-3369 http://lattes.cnpq.br/7649611874688878 Fonseca, Anelise Munaretto https://orcid.org/0000-0002-0182-7128 http://lattes.cnpq.br/4992303457891284 Pedrini, Hélio https://orcid.org/0000-0003-0125-630X http://lattes.cnpq.br/9600140904712115 Moraes, Igor Monteiro https://orcid.org/0000-0002-5919-7923 http://lattes.cnpq.br/1342924024681635 Amorim, Marcelo Dias de https://orcid.org/0000-0003-3710-6805 Sistemas de identificação por radiofrequência Aprendizado do computador Algorítmos genéticos Análise por agrupamento Análise de regressão Radio frequency identification system Machine learning Genetic algorithms Cluster analysis Regression analysis CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Engenharia Elétrica Object location in indoor environments is a challenging task due to the absence of physical contact or field of vision, reflective materials, excessive obstacles, and a high density of items. Several surveys propose using Radio Frequency Identification (RFID) technology and Machine Learning (ML) methods to construct Indoor Positioning System (IPS). However, using an object as a target class makes learning and prediction slow in large-scale environments. Another difficulty frequently encountered in the use of machine learning methods is the need to train all the positions of the tags mapped in the environment. This training increases the complexity of the system deployment process. To circumvent such problems, we present in this thesis four new approaches to location systems for indoor environments using RFID technology and machine learning techniques. The first approach uses hierarchical classification by dividing the environment into regions to reduce the number of classes in the training and prediction of the classifiers. The second approach applies the sliding window concept to statically extract new features from the Received Signal Strength Indicator (RSSI) attribute and then trains the Random Forest regressor algorithm using reference tags to predict the coordinates of the target tags. In addition to using the concepts of sliding windows and reference labels, the third approach also applies hierarchical classification. The fourth approach applies a genetic algorithm to identify which reference tags contribute most to the system’s accuracy. One of the main results got was a precision of 4.82 cm in an environment with 7,000 target tags, reducing by up to 92.91% the average error w.r.t. other IPS approaches presented in the literature, including more complex indoor scenarios. Another main contribution of the present thesis is the public availability of an RFID dataset for future research in the area of indoor location. A localização de objetos em ambientes internos é uma tarefa desafiadora devido à ausência de contato físico ou campo de visão, à presença de materiais reflexivos, excesso de obstáculos e grande densidade de itens. Várias pesquisas propõem o uso da tecnologia Identificação por Rádio Frequência (RFID) e métodos de aprendizagem de máquina para a construção dos sistemas de localização. Entretanto, a utilização de um objeto como classe alvo torna a aprendizagem e predição lentas em ambientes de grande escala. Outra dificuldade frequentemente encontrada na utilização de métodos de aprendizagem de máquina, é a necessidade de treinamento de todas as posições das etiquetas mapeadas no ambiente. Este treinamento aumenta a complexidade no processo de implantação do sistema. Para contornar tais problemas, nós apresentamos nesta tese quatro novas abordagens de sistemas de localização para ambientes internos usando a tecnologia RFID e técnicas de aprendizagem de máquina. A primeira abordagem utiliza a classificação hierárquica dividindo o ambiente em regiões para reduzir a quantidade de classes no treinamento e predição dos classificadores. A segunda abordagem aplica o conceito de janela deslizante para extrair estaticamente novas características do atributo Indicador de Intensidade do Sinal Recebido (RSSI) e após treina o algoritmo regressor Floresta Aleatória fazendo o uso de etiquetas de referência para prever as coordenadas das etiquetas alvo. A terceira abordagem além de utilizar os conceitos de janela deslizante e etiquetas de referência também aplica a classificação hierárquica. A quarta abordagem aplica um algoritmo genético para identificar quais etiquetas de referência mais contribuem para a precisão do sistema. Um dos principais resultados obtidos foi uma precisão de 4,82 cm em ambiente com 7.000 etiquetas alvo, reduzindo em até 92,91% a média de erro de outras abordagens apresentadas na literatura, inclusive em cenários mais complexos de localização em ambientes internos. Outra contribuição principal da presente tese é a disponibilização pública de um conjunto de dados RFID para futuras pesquisas na área de localização indoor. 2022-09-16T21:31:31Z 2022-09-16T21:31:31Z 2022-08-17 doctoralThesis GOMES, Eduardo Luis. Aprendizagem de máquina para sistemas de localização em ambientes internos RFID. 2022. Tese (Doutorado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2022. http://repositorio.utfpr.edu.br/jspui/handle/1/29646 eng openAccess http://creativecommons.org/licenses/by/4.0/ application/pdf Universidade Tecnológica Federal do Paraná Curitiba Brasil Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial UTFPR |
| institution |
Universidade Tecnológica Federal do Paraná |
| collection |
RIUT |
| language |
Inglês |
| topic |
Sistemas de identificação por radiofrequência Aprendizado do computador Algorítmos genéticos Análise por agrupamento Análise de regressão Radio frequency identification system Machine learning Genetic algorithms Cluster analysis Regression analysis CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Engenharia Elétrica |
| spellingShingle |
Sistemas de identificação por radiofrequência Aprendizado do computador Algorítmos genéticos Análise por agrupamento Análise de regressão Radio frequency identification system Machine learning Genetic algorithms Cluster analysis Regression analysis CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Engenharia Elétrica Gomes, Eduardo Luis Aprendizagem de máquina para sistemas de localização em ambientes internos RFID |
| description |
Object location in indoor environments is a challenging task due to the absence of physical contact or field of vision, reflective materials, excessive obstacles, and a high density of items. Several surveys propose using Radio Frequency Identification (RFID) technology and Machine Learning (ML) methods to construct Indoor Positioning System (IPS). However, using an object as a target class makes learning and prediction slow in large-scale environments. Another difficulty frequently encountered in the use of machine learning methods is the need to train all the positions of the tags mapped in the environment. This training increases the complexity of the system deployment process. To circumvent such problems, we present in this thesis four new approaches to location systems for indoor environments using RFID technology and machine learning techniques. The first approach uses hierarchical classification by dividing the environment into regions to reduce the number of classes in the training and prediction of the classifiers. The second approach applies the sliding window concept to statically extract new features from the Received Signal Strength Indicator (RSSI) attribute and then trains the Random Forest regressor algorithm using reference tags to predict the coordinates of the target tags. In addition to using the concepts of sliding windows and reference labels, the third approach also applies hierarchical classification. The fourth approach applies a genetic algorithm to identify which reference tags contribute most to the system’s accuracy. One of the main results got was a precision of 4.82 cm in an environment with 7,000 target tags, reducing by up to 92.91% the average error w.r.t. other IPS approaches presented in the literature, including more complex indoor scenarios. Another main contribution of the present thesis is the public availability of an RFID dataset for future research in the area of indoor location. |
| format |
Tese |
| author |
Gomes, Eduardo Luis |
| author_sort |
Gomes, Eduardo Luis |
| title |
Aprendizagem de máquina para sistemas de localização em ambientes internos RFID |
| title_short |
Aprendizagem de máquina para sistemas de localização em ambientes internos RFID |
| title_full |
Aprendizagem de máquina para sistemas de localização em ambientes internos RFID |
| title_fullStr |
Aprendizagem de máquina para sistemas de localização em ambientes internos RFID |
| title_full_unstemmed |
Aprendizagem de máquina para sistemas de localização em ambientes internos RFID |
| title_sort |
aprendizagem de máquina para sistemas de localização em ambientes internos rfid |
| publisher |
Universidade Tecnológica Federal do Paraná |
| publishDate |
2022 |
| citation |
GOMES, Eduardo Luis. Aprendizagem de máquina para sistemas de localização em ambientes internos RFID. 2022. Tese (Doutorado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2022. |
| url |
http://repositorio.utfpr.edu.br/jspui/handle/1/29646 |
| _version_ |
1805317116295905280 |
| score |
10,814766 |