Please use this identifier to cite or link to this item: http://hdl.handle.net/10923/7440
Type: doctoralThesis
Title: Sistema híbrido de localização indoor baseado em RFID e análise visual
Author(s): Berz, Everton Luís
Advisor: Hessel, Fabiano Passuelo
Publisher: Pontifícia Universidade Católica do Rio Grande do Sul
Graduate Program: Programa de Pós-Graduação em Ciência da Computação
Issue Date: 2015
Keywords: INFORMÁTICA
SISTEMAS AUTOMÁTICOS DE IDENTIFICAÇÃO
RFID
Abstract: Systems need to know the physical location of objects and people in order to improve the user experience and solve logistic and security problems. This work proposes a hybrid indoor positioning system based on passive RFID and visual analysis. The system focuses on bidimensional and tridimensional space localization of stationary objects with centimeter level accuracy. Also, off-the-shelf equipment are employed as sensor devices. By using RFID technology, machine learning approaches based on Artificial Neural Networks (ANN) and Support Vector Regression (SVR) are proposed. A Computer Vision (CV) subsystem detects visual markers in the scenario to enhance RFID localization. In order to combine RFID and optical technologies, we propose a novel sensor fusion method based on Multiple Region of Interest (MROI) and k-means technique. A multi-frequency method is proposed aimed to allow and improve the localization when using off-the-shelf equipment. We have implemented our system and evaluated it using real experiments. First, a performance benchmark was made in order to evaluate RFID antennas and tags positioning. Regarding to overall system performance, the localization error was between 9 and 33 cm under a 2D scenario. On this dimension, ANN performed 30% better than RNA approach. In comparison to RFID-only approach results, the hybrid system had improved by 32%. Three-dimensional space localization had a 63 cm accuracy in best case scenario.
Com o objetivo de otimizar a experiência do usuário e resolver problemas de logística e segurança, aplicativos necessitam conhecer a localização física de objetos e pessoas. As propostas de sistemas de localização para ambientes internos (indoor) baseados em somente uma tecnologia não vêm obtendo bom desempenho na localização, principalmente devido a limitações em relação às características interferentes presentes em ambientes internos. Este trabalho tem como objetivo o desenvolvimento de um sistema híbrido de localização indoor, capaz de obter a localização bidimensional e tridimensional de objetos estáticos, com precisão de poucos centímetros, utilizando equipamentos já estabelecidos no mercado. A partir do uso da tecnologia RFID, a localização é estimada através de modelos de aprendizado de máquina.São avaliados modelos baseados em Redes Neurais Artificiais (RNA) e Support Vector Regression (SVR). Um subsistema de visão computacional detecta marcadores visuais no cenário a fim de aprimorar a localização. Visando combinar as tecnologias RFID e óptica, é definido um método de fusão de sensores baseado em múltiplas regiões de interesse a partir da técnica k-means. Além disso, um método de multi-frequência é proposto com o objetivo de permitir e otimizar o uso do sistema em equipamentos off-the-shelf. O sistema foi implementado e avaliado em experimentos de laboratório. Inicialmente, foi analisado o desempenho do sistema em relação ao posicionamento de antenas e etiquetas RFID presentes no ambiente. Na avaliação geral do sistema sob escalabilidade 2D, o erro de localização se manteve entre 9 e 33 cm. Nesta dimensão, o modelo RNA superou o SVR em 30%. Na comparação entre o sistema híbrido e o emprego somente da tecnologia RFID, a fusão de sensores melhorou a precisão em aproximadamente 32%. Em escalabilidade tridimensional, a precisão foi de 63 cm no melhor caso.
URI: http://hdl.handle.net/10923/7440
Appears in Collections:Dissertação e Tese

Files in This Item:
File Description SizeFormat 
000471311-Texto+Completo-0.pdfTexto Completo3,46 MBAdobe PDFOpen
View


All Items in PUCRS Repository are protected by copyright, with all rights reserved, and are licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. Read more.