DEVELOPING NODE PROTOTYPE FOR INDOOR POSITIONING SYSTEMS

Yıl 2020, , 612 - 624, 25.06.2020

İsmail Kırbaş , Kadir Arslan

https://doi.org/10.21923/jesd.673695

Cited By: 2

Öz

Wireless communication systems are among the most used and rapidly developing technologies of today. With the advances in wireless systems and hardware materials, different physical data in an environment can be obtained by designing low cost, low energy consumption and easy to install wireless networks. Positioning systems used to detect the locations of objects use wireless technologies. Today, the use of positioning systems is increasing and becoming widespread. Firstly, GPS satellite systems that are used to determine the location in open areas were developed. This system is widely used in military and civilian applications worldwide. In open field positioning, satellite signals are generally used and position determination is performed over the arrival time of the signals. However, when it comes to closed areas, a different approach and solution should be developed. In our study, three separate equipment using Wi-Fi and Bluetooth signals were developed to determine the location in closed areas. Experiments using machine learning methods show that the equipment developed to determine the location in the indoor area can detect locations with an error in the range of 1-1.5m.

Anahtar Kelimeler

Wi-Fi, Bluetooth, Machine Learning, Indoor Positioning, Prototype Development

KAPALI ALAN KONUMLANDIRMA SİSTEMLERİ İÇİN DÜĞÜM PROTOTİPİ GELİŞTİRME

Öz

Kablosuz haberleşme sistemleri günümüzün en çok kullanılan ve hızla gelişen teknolojileri arasında bulunmaktadır. Kablosuz sistemlerdeki ve donanımsal malzemelerdeki gelişmeler ile düşük maliyetli, düşük enerji tüketimli ve kurulumları kolay kablosuz ağlar tasarlanarak bir ortamdaki farklı fiziksel veriler elde edilebilmektedir. Nesnelerin bulundukları yerleri tespit etmek amacıyla kullanılan konumlandırma sistemleri, kablosuz teknolojileri kullanmaktadır. Günümüzde konumlandırma sistemlerinin kullanımı giderek artmakta ve yaygınlaşmaktadır. İlk olarak açık alanlarda konum belirlemek için kullanılan GPS uydu sistemleri geliştirilmiştir. Bu sistem dünya genelinde askeri ve sivil uygulamalarda yaygın olarak kullanılmaktadır. Açık alan konumlandırma da genellikle uydu sinyallerinden faydalanılır ve sinyallerin geliş süresi üzerinden konum tespiti gerçekleştirilir. Ancak kapalı alanlar söz konusu olduğunda farklı bir yaklaşım ve çözüm geliştirilmesi gerekmektedir. Çalışmamızda kapalı alanlarda konum belirlemek amacıyla Wi-Fi ve Bluetooth sinyallerinden yararlanan üç ayrı donanım geliştirilmiştir. Makine öğrenmesi yöntemleri kullanarak yapılan denemeler, kapalı alanda konum belirlemek için geliştirilen donanımların 1-1,5m aralığında bir hata ile konum tespiti yapabildiğini göstermektedir.

Anahtar Kelimeler

Wi-Fi, Bluetooth, Makine Öğrenmesi, Kapalı Alan Konumlandırma, Prototip Geliştirme

Kaynakça

• Abu Salam, Z., Keskin M. E. (2018). Yapay Sinir Ağları ile Dibis Barajı'nın Seviye Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi 6(4), 564 – 569.
• Arslan, K. (2019). Yapay Zekâ Teknikleri ile Wi-Fi ve Bluetooth Tabanlı Kapalı Alan Konumlandırma Sistemi Geliştirilmesi. Burdur Mehmet Akif Ersoy Üniversitesi.
• Arslan, K., Kirbaş, İ. (2016). Nesnelerin İnterneti Uygulamaları İçin Algılayıcı/Eyleyici Kablosuz Düğüm İlkörneği Geliştirme. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7(Özel 1), 35-43.
• Aydin, H., Erkmen, B. (2019). Kapalı Alan Yaya Konumlandırma Sistemi. Mühendislik Bilimleri ve Tasarım Dergisi, 7(2), 337-344.
• Başak, A.A. (2017). Izgara Tabanlı Parmak İzi Algoritmalarıyla Kapalı Alan Konumlandırma Optimizasyonu, Yüksek Lisans Tezi. Ankara Üniversitesi.
• Bekkelien, A. (2012). Bluetooth Indoor Positioning, Master of Computer Science. Geneva Üniversitesi, İsviçre.
• Bulucu, U., Kavas, A. (2007). Kablosuz Ağ Kapsaması için YSA(Yapay sinir Ağ) Modeli Kullanılarak Propagasyon Kayıplarının Hesaplanması.
• Corbacho Salas, A. (2014). Indoor Positioning System based on Bluetooth Low Energy, A Degree’s Thesis. Universitat Politècnica de Catalunya, Barcelona.
• Dahlgren, E., Mahmood, H. (2014). Evaluation of indoor positioning based on Bluetooth Smart technology. Yüksek Lisans Tezi. Chalmers Teknoloji Üniversitesi. İsveç.
• Doğancı, Y. U. (2008). 802.11 Standartlarını Kullanarak Pozisyon Tespiti. TOBB Ekonomi ve Teknoloji Üniversitesi.
• Dükkancı, A., Kırbaş, İ. (2018). Designing a web based data acquisition system for battery-powered wireless sensor nodes: WiFiLab. IV International Conference on Engineering and Natural Science (ICENS), 1, 439-447. http://www.icens.eu
• Espressif, S. (2019). ESP32 Series Datasheet. Https://www.espressif.com/sites/default/files/documentation/esp32_datasheet_en.pdf (Erişim Tarihi 02.01.2020).
• Gödekoğlu, D. A. (2019). Yapay Sinir Ağları Kullanılarak Solunum Fonksiyon Testleri ile Cinsiyet, Obezite e Sigara Kullanımının İlişkilendirilmesi, Yüksek Lisans Tezi. Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Türkiye.
• Gu, Y., Lo, A., Niemegeers, I. (2009). A survey of indoor positioning systems for wireless personal networks. IEEE Communications Surveys Tutorials, 11(1), 13-32. https://doi.org/10.1109/SURV.2009.090103
• Kırbaş, İ. (2018). İstatistiksel metotlar ve yapay sinir ağları kullanarak kısa dönem çok adımlı rüzgâr hızı tahmini. SAÜ Fen Bilimleri Enstitüsü Dergisi, 1-1. https://doi.org/10.16984/saufenbilder.305224
• Kırbaş, İ., Dükkancı, A. (2019). Development of A Wi-Fi Based Indoor Location System Using Artificial Intelligence Techniques. 2(1), 5.
• Kim, J., Lee, I. (2015). 802.11 WLAN: history and new enabling MIMO techniques for next generation standards. IEEE Communications Magazine, 53(3), 134-140. https://doi.org/10.1109/MCOM.2015. 7060495
• Kolodziej, K. W., Hjelm, J. (t.y.). Local Positioning Systems: LBS Applications and Services. 62.
• Lashkari, A. H., Parhizkar, B., Ngan, M. N. A. (2010). WIFI-Based Indoor Positioning System. 2010 Second International Conference on Computer and Network Technology, 76-78. https://doi.org/10.1109/ICCNT. 2010.33
• Mautz, R. (2012). Indoor positioning technologies. http://hdl.handle.net/20.500.11850/54888
• Michaelsson, L., Quiroga, S. (2017). Design and Evaluation of An Adaptive Dairy Cow Indoor Positioning System, Master of Science Thesis. KTH Royal Institute of Technology School of Industrial Engineering and Management, İsveç.
• Öğücü, Müh. M. O. (2006). Yapay Sinir Ağları ile Sistem Tanıma. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi.
• Sakpere, W., Oshin, M. A., Mlitwa, N. (2017). A State-of-the-Art Survey of Indoor Positioning and Navigation Systems and Technologies. South African Computer Journal, 29(3). http://sacj.cs.uct.ac.za/index.php/ sacj/article/view/452
• Taşcı, E., Onan, A. (2016). K-En Yakın Komşu Algoritması Parametrelerinin Sınıflandırma Performansı Üzerine Etkisinin İncelenmesi. Akademik Bilişim.
• Taşkın, D. (2017). Design of Bluetooth Low Energy Based Indoor Positioning System. Balkan Journal of Electrical and Computer Engineering, 60-65. https://doi.org/10.17694/bajece.334388
• Türkoral, T., Tamer, Ö., Yetı̇ş, S., İnanç, E., Çeti̇n, L., (2016). Alınan İşaret Güç Göstergesi (RSSI) Metriği Kullanılarak Kapalı Alan Mesafe Kestirimi, Elektrik-Elektronik ve Biyomedikal Mühendisliği Konferansı
• Algorithm (SBA) For Trainin Feed-Forward Neural Network. 20th International Conference on Soft Computing.
• Yılmaz, S., Küçüksille, E. U. (2014). Strengthened Bat Algorithm (SBA) For Trainin Feed-Forward Neural Network. 20th International Conference on Soft Computing.
• Yurtoğlu, H. (2005). Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği.
• Yücel, H., Yazıcı, A., ve Edizkan, R. (2014). A survey of indoor localization systems. 2014 22nd Signal Processing and Communications Applications Conference (SIU).