Tez No	İndirme	Tez Künye	Durumu
691534		Sequential Monte Carlo localization using bluetooth low-energy beacons / Bluetooth düşük-enerji işaretçileri ile ardışıl Monte Carlo konumlaması Yazar:FAHRİ SERHAN DANİŞ Danışman: PROF. DR. CEM ERSOY ; PROF. DR. TAYLAN CEMGİL Yer Bilgisi: Boğaziçi Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2021 134 s.
Hareketli Bluetooth düşük-enerji (BLE) alıcı-verici takip problemini saklı Markov modeliyle modelliyoruz ve örtülü konum bilgisini ardışıl Monte Carlo ile süzgeçliyoruz. Yaklaşımımızın sağladığı yeni bakış açısı, alınan işaret şiddeti göstergelerinden oluştu-rulmuş parmak izleri için özel olarak biçilmiş bir gözlem modelidir: Wasserstein uzaklı-ğının en iyi taşıma modeliyle çözümüne dayalı bir histogram arakestirimi. Bütün sistemin takip sonuçları, en yakın komşu ve yapay sinir ağları gibi alternatif temel tahminleme yöntemleriyle karşılaştırılmaktadır. Sonuçlarımız gürültülü veriden yüksek kesinlikli tahminlemenin mümkün olduğunu göstermektedir. Başka bir yenilik, tümleşik bir durum ve parametre tahminini sağlayan üç seviyeli saklı Markov modelidir. Bir BLE vericisinin hareketi hakkında bilgimiz olmadığını varsayarak, geçiş yoğunluk fonksiyonunu normal dağılım olarak tasarlıyoruz. Dağılımın gürültü kovaryansının temelini oluşturan yayılım parametresini konumlarla beraber tahminliyoruz. Önce, bu yöntemin geçerliliğini sabit, azalan ve uyarlamalı yayılım parametresi tahminleme yaklaşımıyla gösteriyoruz. Sonrasında canlı parametre örneklemesinin gözlenen veriye uyum sağladı-ğını ve düşük hata ortalamaları ve orta değerleri ortaya koyduğunu gösteren gerçek veri sonuçlarını elde ediyoruz. Bundan önemlisi, geniş bir parametre değer kümesi için istikrarlı hata dağılımlarına ulaşıyoruz. Üçüncü olarak, kablosuz iç ortam konumlama algoritmalarının değerlendirmesi için yeni bir yordam ve bağlantılı bir veri kümesi tanıtıyoruz. Yordamımız, sinyal verilerini yüksek hassasiyetli konum verileriyle eşlemek için bir artırılmış gerçeklik temelli konumlama sistemiden faydalanmaktadır. Kameralardan sağlanan görüntü akışları bir sıra işaretçi algılama, alt küme seçimi ve süzgeçleme operasyonlarına tabi tutulmaktadır. Sonucunda kesin referans konumları olarak kullanılabilecek yüksek hassasiyetli poz verileri elde edilmektedir.
We model the tracking of a Bluetooth Low-Energy (BLE) moving transceiver as a hidden Markov model, and filter the latent positions using sequential Monte Carlo. A novel aspect of our approach is the development of an observation model, specifically tailored for received signal strength indicator fingerprints: a histogram interpolation based on the optimal transport model of Wasserstein distance. The tracking results of the entire system are compared with alternative baseline estimation methods, such as nearest neighboring fingerprints and an artificial neural network. Our results show that highly accurate estimation from noisy data is practically feasible. Another novelty is a three layered hidden Markov model with joint state and parameter estimation. Assuming that a BLE transmitter does not provide any other motion related information, the transition density is designed to be a normal distribution whose noise covariance depends on a parameter, namely the diffusion factor, that is to be estimated alongside the positions. We first show an experimental proof of concept using synthetic data by comparing three parameter estimation approaches: static, decaying and adaptive diffusion factors. We then obtain the results on real data which show that online parameter sampling adapts to the observed data and yields lower error means and medians, but more importantly steady error distributions with respect to a large range of parameters. Thirdly, we introduce a novel technique and an associated dataset for evaluation of wireless indoor positioning algorithms. The technique makes use of an augmented reality based positioning system to annotate the signal data with high precision positions. Video streams captured by the cameras are subjected to a series of marker recognition, subset selection and filtering operations to yield highly precise pose estimations, hence, they can be used as the ground truth positions.