Localização indoor utilizando Bluetooth Low Energy e aprendizado de máquina
- Autor
Daniel Trevisan Tatsch
- Orientador
Prof. Roberto de Matos
- Coorientador
Prof. Mario de Noronha Neto
- Curso
Engenharia de Telecomunicações
- Resumo
A necessidade de localização de objetos ou pessoas não se limita somente à aplicações em ambientes externos, tendo a localização indoor grande importância nos cenários de Internet of Things (IoT). Este trabalho apresenta testes e análises de diferentes técnicas de aprendizado de máquina associadas à localização indoor utilizando o Bluetooth Low Energy (BLE). Os conjuntos de dados usados pelos classificadores foram gerados através da comunicação entre um dispositivo final e três gateways. Para desenvolver os dispositivos finais utilizou-se a plataforma Arduino Pro Micro e o módulo BLE AT-09, enquanto o código dos gateways foi implementado na plataforma ESP-32. O desempenho dos algoritmos de aprendizado de máquina foi verificado variando da quantidade de setores a serem distinguidos no auditório IFSC-SJ, de acordo com a medida de Received Signal Strength Indication (RSSI) obtida por cada gateway. Com a segmentação do ambiente em 24 setores, foi possível alcançar uma precisão de 99% com os algoritmos K-Nearest Neighbor (K-NN) e Random Forest. Para alcançar esses resultados, os valores mais discrepantes do conjunto de medidas foram desconsiderados.
- Palavras chave
Localização indoor. Bluetooth Low Energy. Aprendizado de máquina.
- Abstract
The need to locate objects or people is not limited only to applications in outdoor environments, but also in indoor, which have great importance in the scenarios of Internet of Things (IoT). This work presents tests and analyzes different machine learning techniques associated with indoor location using Bluetooth Low Energy (BLE). The data sets used by the classifiers were generated through communication between one final device and three gateways. To develop the final devices, the Arduino Pro Micro platform and the BLE AT-09 module were used, while the gateways code was implemented on the ESP-32 platform. The performance of the machine learning algorithms was verified with the variation of the number of sectors to be distinguished in the IFSC-SJ auditorium, according to the measure of Received Signal Strength Indication (RSSI) obtained by each gateway. With the segmentation of the environment in 24 sectors, it was possible to achieve a precision of 99% with the algorithms K-NN and Random Forest. To reach these results, the most discrepant values of the dataset were disregarded.
- Keywords
Indoor location. Bluetooth Low Energy. Machine learning.
- Arquivos
Arquivos relacionados a trabalho, a monografia em pdf e também arquivos fontes e executáveis estão disponibilizados nos links abaixo: