AUGMENTED REALITY BASED INDOOR POSITIONING SYSTEMS WITH DATA FUSION USING DEEP LEARNING

Abstract

İç mekan konumlandırmanın, görme engelli kişilerin navigasyonuna yardımcı olmak üzere neredeyse herkesin iç mekanların haritasını çıkarabileceği seviyeye gelmesi için, sinir ağlarını eğitirken etkinliği artıran sensör verisi yakalama yöntemlerinin incelenmesine ihtiyaç vardır. Bu çalışmada, bir sinir ağını eğitmek için jeomanyetik sensör verilerinin toplanmasının, uygulamanın tek bir veri yakalama seferinde birçok yararlı sensör verisi yakalayacak şekilde yapılandırılması durumunda, birden fazla cihazdan sensör yakalamalarını birleştirerek verileri zenginleştirmekten daha iyi sonuçlar vereceği önerilmiştir. Ayrıca, konum tanımlayıcı başına yeterli veri yakalamaya sahip jeomanyetik vektör yakalamalarının, görsel tabanlı artırılmış gerçeklik ve rehberlik için yeterince zengin özelliklere sahip olmayan yüzeylere sahip iç mekanlarda insanları etkili bir şekilde konumlandırmak için bir sinir ağı modelini eğitmek için yeterli olacağını öne sürdü. Çalışma, kapalı bir alanın jeomanyetik haritalaması sırasında kaydedilen jeomanyetik alan gücü ve dönüş açısını kullanarak bir sinir ağını eğitti. Yakalama, her ikisi de ayrı ayrı bazı konumlarda az sayıda yararlı sensör verisi yakalayan, ancak her iki yakalama kümesi birleştirildiğinde her konum için yeterli sensör verisi yakalayan iki akıllı telefon kullanılarak yapıldığında sonuç incelenmiştir. Daha sonra, konum başına yeterli sayıda veri yakalama özelliğine sahip tek bir seferde yakalama işlemini tek bir akıllı saat yaptığında elde edilen sonuç karşılaştırılmıştır. Tek bir akıllı saat ve birleştirilmiş akıllı telefonlardan elde edilen sonuçlar karşılaştırıldığında, tahmin doğruluğu %94,7'ye kıyasla %95,2 olurken, ortalama lokalizasyon hatası 0,307 metreye kıyasla 0,172 metre olmuştur.For indoor positioning to get to the level where almost anyone can map indoor spaces to aid navigation of visually impaired persons, there is the need to examine the sensor data capture methods that increase effectiveness when training neural networks. This study proposed that collecting geomagnetic sensor data to train a neural network would give better results if the application is configured to collect many useful sensor data captures in a single data capture campaign than enriching the data by combining sensor captures from multiple devices. It also proposed that geomagnetic vector captures that have enough data captures per location identifier will be sufficient to train a neural network to effectively position humans in indoor spaces that have surfaces that are not feature-rich for visual-based augmented reality indoor positioning and guidance. The study trained a neural using geomagnetic field strength and angle of rotation recorded during geomagnetic mapping of an indoor space. It examined the result when the capture was done using two smartphones that both individually had few useful sensor data captures in some locations, but sufficient sensor data capture for every location when both sets of captures were combined. It then compared the result when a single smartwatch did the capturing in a single campaign having a sufficient number of data captures per location. Comparing results from the single smartwatch and the combined smartphones, the accuracy of prediction was 95.2% as compared to 94.7% while the mean localization error was 0.172 meters as against 0.307 meters.