Makine öğrenmesi ile bina içi görünür ışık konumlandırma

Görünür ışık tabanlı konumlandırma (VLP) sistemleri, radyo frekansı (RF) temelli konumlandırma sistemlerine alternatif bir yöntem olarak literatürde giderek daha fazla yer almaktadır. Düşük maliyetli altyapı gereksinimleri ve yüksek konumlandırma doğruluğu sayesinde VLP sistemleri, RF tabanlı sistemlere kıyasla önemli avantajlar sunmaktadır. Buna ek olarak, son yıllarda sistem performansını artırmak amacıyla makine öğrenmesi (ML) algoritmalarının kullanımında artış gözlemlenmiş ve bu doğrultuda çeşitli çalışmalar gerçekleştirilmiştir. Bu çalışmada ML algoritmalarının VLP sistemlerinde konum hatasına etkisi analiz edilmektedir. Direk sinyal (LOS) ve ilk yansımanın (NLOS) dikkate alındığı bina içi senaryoda alınan sinyal gücü (RSS) parametresi kullanılarak hata performansları elde edilmiştir. Işık yayan diyot (LED) sayılarının 4, 5, 8, 9, 12 ve 16 olduğu altı farklı senaryo dikkate alınmıştır. Bu senaryolarda LOS ve NLOS sinyallerden elde edilen RSS bilgileri kullanılarak veri seti oluşturulmuştur. Bu veri seti üzerinde farklı makine öğrenmesi algoritmaları çalıştırılmış ve sonuçlar analiz edilmiştir. Kullanılan algoritmaların performanslarına bakıldığında XGBoost ve rastgele orman (RF) algoritmaları en yüksek başarıyı göstermişlerdir. k en yakın komşu (kNN) algoritması, XGBoost ve RF algoritmalarına kıyasla daha düşük doğruluk göstermektedir. Trilaterasyon algoritması ise kNN, XGBoost ve RF algoritmalarına göre daha zayıf performans göstermiştir. Doğrusal regresyon (LR) en düşük başarıya sahip algoritmadır. Artan LED sayıları ile birlikte bu algoritmaların performansları birbirlerine yakınlaşmıştır. LR modelinin tüm LED sayıları için çok düşük performans gösterdiği görülmüştür. Düşük LED sayılarında RF algoritması daha iyi performans gösterirken, LED sayısının artmasıyla XGBoost algoritmasının performansı RF algoritmasını geçmektedir. Ek olarak, iç mekanlarda, özellikle duvarlara yakın bölgelerde yansıma etkisinin daha belirgin olması nedeniyle, veri seti merkez ve kenar bölge olmak üzere ikiye ayrılmıştır. Bu ayrım esas alınarak makine öğrenmesi algoritmaları her bölge için ayrı ayrı eğitilmiş ve bu yöntem sayesinde NLOS sinyallerinin etkisi azaltılarak hem geleneksel trilaterasyon algoritmasına hem de tek bölgeli ML tabanlı yöntemlere göre daha düşük ortalama konumlandırma hataları elde edilmesi sağlanmıştır.

Visible Light Positioning (VLP) systems are increasingly being featured in the literature as an alternative method to radio frequency (RF)-based positioning systems. Thanks to their low-cost infrastructure requirements and high positioning accuracy, VLP systems offer significant advantages compared to RF-based systems. In addition, in recent years, there has been a growing trend in the use of machine learning (ML) algorithms to improve system performance, and various studies have been conducted in this direction. This study analyzes the effect of ML algorithms on positioning error in VLP systems. Error performances were obtained using the received signal strength (RSS) parameter in an indoor scenario that considers both line-of-sight (LOS) and the first reflection (non-line-of-sight, NLOS). Six different scenarios with 4, 5, 8, 9, 12, and 16 light-emitting diodes (LEDs) were considered. A dataset was created using RSS information obtained from LOS and NLOS signals in these scenarios. Various machine learning algorithms were run on this dataset and the results were analyzed. Among the algorithms used, XGBoost and Random Forest (RF) demonstrated the highest success rates. The k-nearest neighbors (kNN) algorithm showed lower accuracy compared to XGBoost and RF. The trilateration algorithm performed worse than kNN, XGBoost, and RF. Linear Regression (LR) was the algorithm with the lowest performance. As the number of LEDs increased, the performances of the algorithms converged. However, the LR model consistently showed very poor performance across all LED counts. While the RF algorithm performed better at lower LED counts, the performance of the XGBoost algorithm surpassed that of RF as the number of LEDs increased. Additionally, since reflection effects are more pronounced in indoor areas, especially near walls, the dataset was divided into two regions: center and edge. Based on this separation, ML algorithms were trained separately for each region. Using this method, the impact of NLOS signals was reduced, leading to lower average positioning errors compared to both the traditional trilateration algorithm and single-region ML-based methods.