Deep learning based indoor localization using magnetic field signals and images [Localizzazione indoor basata su deep learning utilizzando segnali del campo magnetico e immagini]

Le tecnologie di navigazione e localizzazione indoor sono diventate fondamentali nella società moderna, consentendo movimenti sicuri ed efficienti, supportando sistemi autonomi e assistendo nelle risposte alle emergenze fornendo aiuto rapido alle persone. L'obiettivo della localizzazione indoor è determinare posizioni precise all'interno di ambienti chiusi, un campo che ha suscitato un notevole interesse di ricerca. Un approccio promettente è la localizzazione basata sul campo magnetico combinata con la tecnologia delle immagini visive, che sfrutta le variazioni spaziali dei campi magnetici indoor per fornire un posizionamento accurato. Questa tesi esplora come i campi magnetici indoor, insieme alle immagini visive, possano essere utilizzati per sviluppare un sistema di localizzazione privo di calibrazione e indipendente dall'infrastruttura, che non si basi su informazioni esterne o infrastrutture elettromagnetiche. Il sistema utilizza un'applicazione Android per raccogliere dati sul campo magnetico dal magnetometro di uno smartphone e immagini visive dalla sua fotocamera, catturando le variazioni spaziali dell'ambiente. Questi dati combinati aiutano a creare informazioni di odometria o "impronte digitali", che vengono poi utilizzate per migliorare la precisione di un sistema di posizionamento indoor attraverso misurazioni fuse di campi magnetici e immagini visive. Questa ricerca affronta cinque sfide principali: la prima è la calibrazione dei sensori, fondamentale per garantire misurazioni accurate. La seconda riguarda la generazione di impronte magnetiche affidabili con immagini visive per l'addestramento del modello e la localizzazione. La terza sfida consiste nell'ottimizzare il numero minimo di campioni richiesti per la localizzazione in tempo reale su dispositivi con risorse limitate. Infine, è necessario identificare e risolvere gli errori causati da campioni mal classificati che condividono caratteristiche ma appartengono a punti di riferimento diversi e che sono presenti in altri punti di riferimento. Per affrontare la prima sfida, viene proposto un sistema di calibrazione mini-batch, che corregge disallineamenti, bias e fattori di scala dei sensori utilizzando un mini-batch di misurazioni del campo magnetico. La seconda sfida viene risolta sviluppando un modello di proiezione delle caratteristiche magnetiche che utilizza sia segnali magnetici che immagini visive per creare impronte efficaci per l'addestramento del modello. La terza sfida viene affrontata ottimizzando il numero di campioni di campo magnetico necessari per la localizzazione nella fase online, bilanciando la precisione della previsione con il tempo di elaborazione. L'ultima sfida è risolta mediante lo sviluppo di un algoritmo di clustering basato su caratteristiche di Minimo Comune Multiplo (LCM) che classifica accuratamente i punti dati che condividono caratteristiche simili ma sono fisicamente separati. I risultati dimostrano che l'integrazione dei segnali del campo magnetico con le immagini visive migliora significativamente la precisione del modello MH-ViL proposto. Il sistema è a basso costo, pratico per l'uso con sensori standard e capace di essere integrato in sistemi di Localizzazione e Mappatura Simultanea (SLAM) basati su campi magnetici. Soprattutto, evidenzia la fattibilità di costruire un sistema di localizzazione indoor autonomo, coerente e accurato utilizzando sia dati sul campo magnetico che immagini visive.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• RAFIQUE, HAMAAD

Contributors dc:contributor

• PATTI, DAVIDE

• Indoor Localization
• Indoor Positioning
• Magnetic Field Signal
• Fingerprinting
• Sensor Fusion
• Clustering
• Localizzazione Indoor
• Posizionamento Indoor
• Signali del Campo Magnetico
• Fusione di Sensori

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/691048

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/691048