Using Machine Learning for Improvement of Location Estimation in Wireless Positioning System

Tato diplomová práce se zabývá seznámením se s poziční platformou Sewio a technikami širokopásmové komunikace UWB, které platforma využívá pro určování pozic objektů. Stávající technologie je založena na měření časových intervalů příchodu signálů a multilateraci pomocí časových rozdílů. Platforma generuje a ukládá historická data z proběhlé lokalizace objektů. Datovou sadu tvoří sekvence pozičních dat, které kromě relativních souřadnic obsahují i relevantní signálové parametry bezdrátové komunikace. Po analýze pozičních dat z reálných instalací byl navržen a implementován systém strojového učení založený na technikách klasifikace Gaussovským rozložením a predikce lineární regresí. Systém funguje jako komponenta, jejiž vstupem jsou poziční data existujícího RTLS systému a výstupem je robustnější odhad pozic. Evaluační výsledky ukazují zlepšení stability pozic a odstranění konfliktních a odskočených souřadnic.This thesis describes the Sewio platform and the communication techniques of the ultra-wideband technology standard, which the platform uses to determine the position of objects. The technology is based on measuring signal arrival time intervals and multilateration using time differences. The platform generates and stores historical data from past positioning of objects. The dataset consists of sequences of position data which, in addition to the monitored environment, contain relevant signal parameters of wireless communication. A system of machine learning techniques based on Gaussian models and linear regression was implemented to classify and predict real-time position data with the goal of improving position estimation stability and robustness. The system functions as a downstream component, which accepts RTLS position data and outputs improved position estimates. The evaluation results show that the implemented system can successfully improve position stability and robustness.