Cellular based indoor positioning accuracy optimization using machine learning
Laine, Juho Aleksi (2024)
Kandidaatintyö
2024
School of Energy Systems, Sähkötekniikka
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024061250842
https://urn.fi/URN:NBN:fi-fe2024061250842
Tiivistelmä
This bachelor’s thesis studies the optimization of cellular-based positioning with ML models. The purpose of this work is to discover possibilities and potential problems with indoor positioning that is going to be implemented and required in future 3rd Generation Partnership Project (3GPP) releases. A variety of machine learning (ML) models are trained for evaluation of performance and challenges.
The literature section describes briefly the development, challenges, and evolving requirements of positioning. The impacts of offloading the processing to edge cloud services and overview of the main driving factors for developing means of providing location based services (LBS) with already existing infrastructure, with minimal physical investment. The sections for the data origin and ML architecture bridges to the creation and evaluation of different models. Model results are in line with prior publications and development examples. Tässä kandidaatintyössä tutkitaan matkapuhelinverkkoihin perustuvan paikantamisen optimointia hyödyntäen koneoppimista. Työn tarkoituksena on löytää ratkaisuja sekä potentiaalisia ongelmia matkapuhelinverkkoihin perustuvassa paikantamisessa, joka on yksi keskeisimmistä kandidaateista seuraavien (3GPP) julkaisuiden paikannustarkkuuden vaatimusten täyttämiseen. Työn lopussa esitellään kattaus erilaisten koneoppimismallien (ML) tarkkuudesta verrattuna käytettyyn dataan, malliin, sekä haasteista eri mallien kohdalla.
Kirjallisuuskatsaus käy läpi paikantamisen kehitystä, haasteita, sekä tarkkuuden kehittymisen vaatimuksia. Prosessoinnin siirtämisen reunaprosessointiin (edge cloud, edge processing) ja jakamiseen palveluna, sekä suurimmat motivaattorit tuottaa paikantamispalveluita, sekä paikantamista hyödyntäviä palveluita (LBS) jo olemassa olevalla infrastruktuurilla minimaalisella fyysisellä investoinnilla. Viimeiset kappaleet, jotka käsittelevät datan lähdettä, sekä koneoppimismallien (ML) arkitehtuureja yhdistävät kirjallisuuskatsauksen tutkimuksessa tehtyjen mallien esittelyyn, sekä niiden arviointiin. Mallien tulokset ovat vastaavia aiheeseen liittyvien aiempien julkaisuiden kanssa.
The literature section describes briefly the development, challenges, and evolving requirements of positioning. The impacts of offloading the processing to edge cloud services and overview of the main driving factors for developing means of providing location based services (LBS) with already existing infrastructure, with minimal physical investment. The sections for the data origin and ML architecture bridges to the creation and evaluation of different models. Model results are in line with prior publications and development examples.
Kirjallisuuskatsaus käy läpi paikantamisen kehitystä, haasteita, sekä tarkkuuden kehittymisen vaatimuksia. Prosessoinnin siirtämisen reunaprosessointiin (edge cloud, edge processing) ja jakamiseen palveluna, sekä suurimmat motivaattorit tuottaa paikantamispalveluita, sekä paikantamista hyödyntäviä palveluita (LBS) jo olemassa olevalla infrastruktuurilla minimaalisella fyysisellä investoinnilla. Viimeiset kappaleet, jotka käsittelevät datan lähdettä, sekä koneoppimismallien (ML) arkitehtuureja yhdistävät kirjallisuuskatsauksen tutkimuksessa tehtyjen mallien esittelyyn, sekä niiden arviointiin. Mallien tulokset ovat vastaavia aiheeseen liittyvien aiempien julkaisuiden kanssa.