| Abstract |
Saistībā ar apgrūtināto iekštelpu pozicionēšanās risinājumu ieviešanu un uzturēšanu lielā daļā situāciju, šī pētījuma mērķis ir izstrādāt risinājumu, ar kura palīdzību ir iespējams kontrolēt atrašanās vietu telpās, izmantojot jau daudzās vietās apkārt uzstādīto bezvadu sakaru infrastruktūru, tādēļ neprasot lietotājam veikt papildus specializētas tehnikas uzstādīšanu. Veicot literatūras apskati, tika atklāts, ka šim nolūkam vispiemērotākie būtu algoritmi, kas veic pozicionēšanos telpās, izmantojot uztverto signālu nospiedumus. Literatūras apskate arī atklāja, ka šāda veida algoritmiem vispiemērotākie signāli būtu WiFi, to vieglās uztveršanas un plašās sastopamības dēļ. Par ierīci, ar kuru veikt eksperimentus, tika izvēlēts AtomS3 Lite ESP32S3 mikrokontrolieris tā relatīvi lētās cenas un visu pamatprasību izpildes dēļ. Projekta ietvaros tika izstrādāta programmatūra priekš signālu nospiedumu ievākšanas, datu analīzes un atrašanās vietas kontroles telpās demonstrācijām. Programmatūra tika rakstīta tādā veidā, lai to var interpretēt gan Python 3.10, gan Micropython 1.21 interpretatori. Divi dažādi signālu nospiedumu sakritības algoritmi tika notestēti. Viens no šiem algoritmiem tika nosaukts par “naivo” algoritmu, un tas satur divus hiperparameterus - required_network_matches un rssi_match_epsilon. Otrs algoritms ir populārā mašinmācīšanās k-tuvāko kaimiņu algoritma adopcija šim projektam, un tas satur divus hiperparametrus - k un dist_algo. Hiperparametrs dist_algo norāda kādu algoritmu izmantot, lai aprēķinātu distanci starp diviem signālu nospiedumiem. Šajā pētījumā divi šādi distances aprēķina algoritmi tika notestēti - Eiklīda un Manhetenas. Šo abu algoritmu testēšanai tika atvēlēta daļa no dzīvokļa, kura tika sadalīta divās vienādās taisnstūrveidīgās zonās, kas atrodas viena otrai blakus - “sliktā” zona un “labā” zona. Priekš katras datu kopas, katrā zonā tika ievākti 24 signālu nospiedumi režģveidīgā izkārtojumā. Divu nedēļu laikā katru dienu tika ievākta viena šāda datu kopa, izņemot pirmo dienu, kurā tika ievāktas divas šādas datu kopas ar mērķi vienu no tām lietot algoritmu trenešanai, bet otru - testēšanai. Tika izvirzīta hipotēze, ka 14 dienu vidējā precizitāte k-tuvāko kaimiņu algoritmam ar optimizētiem hiperparametriem būs lielāka nekā naivajam algoritmam. Rezultāti parādīja, ka augstākā vidējā precizitāte k-tuvāko kaimiņu algoritmam, kas ir 68.01%, tika sasniegta ar hiperparametriem dist_algo = ‘euclidean’ (Eiklīda distance) un k = 13. Augstākā vidējā precizitāte naivajam algoritmam, kas ir 61.61%, tika sasniegta ar hiperparametriem required_network_matches = 2 un rssi_match_epsilon = 1.0. Tādēļ rezultāti apstiprināja hipotēzi, ka k-tuvāko kaimiņu algoritms šādā scenārijā performēs labāk nekā naivais algoritms. Kā arī šī risinājuma precizitāte ir pietiekoši augsta, lai to pielietotu scenārijos, kur nav nepieciešams momentāni noteikt, ka ierīce ir šķērsojusi kādas zonas robežu. Viena no šī pētījuma limitācijām ir, ka visi eksperimenti tika veikti tikai viena veida telpā - dzīvoklī. Cita limitācija ir, ka visi precizitātes mērījumi tika veikti tikai laika intervālā, kas ir divas nedēļas, jo ir iespējams, ka, palielinot šī laika intervāla garumu, iegūtās vidējās precizitātes rādītāji kritīsies. Turpinot šo pētījumu, ir iespējams atkārtot šos pašus eksperimentus dažādās vidēs, palielināt laika intervālu, kurā tiek veikti precizitātes mērījumi, palielināt treniņu datu kopu, kā arī notestēt citus algoritmus, kā, piemēram, svaroto k-tuvāko kaimiņu algoritmu. |
