dc.contributor.author | Lima, Danilo Souza | |
dc.date.accessioned | 2024-09-11T11:51:01Z | |
dc.date.available | 2024-09-11T11:51:01Z | |
dc.date.issued | 2024-05-24 | |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/20515 | |
dc.description.abstract | This master's thesis investigates the classification of line-of-sight (LOS) and non-line-of-sight (NLOS) conditions and their impact on distance measurement accuracy in Ultra-Wideband (UWB) positioning systems. The focus of the research was to develop and validate a machine learning model capable of dynamically classifying LOS and NLOS conditions to adjust the system's parameters for error mitigation. This involved the design of custom hardware and software to conduct extensive tests under various simulated environmental conditions, mirroring real-world complexities. The results demonstrated that the machine learning model significantly enhanced measurement accuracy, reducing average distance errors from over 10 centimeters in baseline conditions to under 3 centimeters in optimized setups. The implications of these findings underscores the potential of adaptive learning models to improve the reliability and operational efficiency of UWB systems, particularly in complex indoor environments. The model's ability to adapt to changing conditions and accurately classify signal disruptions due to physical obstructions provides a critical improvement over traditional static modeling approaches. This research lays the groundwork for future advancements in UWB technology, suggesting that integrating machine learning into UWB systems can lead to more robust and accurate indoor positioning solutions that are crucial for industries like logistics, autonomous navigation, and smart building management. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Sistemas de posicionamento | por |
dc.subject | UWB | por |
dc.subject | Aprendizado de maquina | por |
dc.subject | TWR | por |
dc.title | Classificação de visada e mitigação de erros de estimativa de distância em sistemas UWB | por |
dc.title.alternative | Line-of-sight classification and mitigation of distance estimation errors in UWB systems | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Hernandes, André Carmona | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6806138514642732 | por |
dc.description.resumo | Este trabalho de mestrado aborda a classificação das condições de visada direta (LOS) e não visada (NLOS) e seu impacto na precisão das medições de distância em sistemas de posicionamento Ultra-Wideband (UWB), propondo também um modelo de mitigação dos erros advindos dessas diferentes condições. A pesquisa focou no desenvolvimento e validação de um modelo de aprendizado de máquina capaz de classificar dinamicamente as condições de LOS e NLOS para ajustar os parâmetros do sistema na mitigação de erros. Isso envolveu a concepção de hardware e software personalizados para realizar testes abrangentes sob várias condições, buscando refletir complexidades do mundo real. Os resultados demonstraram que o modelo de aprendizado de máquina melhorou significativamente a precisão das medições, reduzindo o erro médio de distância de mais de 10 centímetros em condições de base para menos de 3 centímetros em configurações otimizadas. Os modelos de classificação de visada atingiram exatidão de 99\%. As implicações desses resultados destacam o potencial dos modelos de aprendizado de máquina para melhorar a confiabilidade e a eficiência operacional dos sistemas UWB, especialmente em ambientes internos e complexos, onde há o deslocamento de pessoas, podendo obstruir os sinais. A capacidade do modelo de se adaptar a condições variáveis e classificar com precisão as interrupções de sinal devido a obstruções físicas oferece uma melhoria crítica em relação às abordagens de modelagem estática tradicionais. Esta pesquisa estabelece as bases para futuros avanços na tecnologia UWB, sugerindo que a integração do aprendizado de máquina em sistemas UWB pode levar a soluções de posicionamento interno mais robustas e precisas, cruciais para indústrias como logística, navegação autônoma e gestão de edifícios inteligentes. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica - PPGEE | por |
dc.subject.cnpq | ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/1646627286224987 | por |
dc.contributor.advisor1orcid | https://orcid.org/0000-0002-1709-9903 | por |