معرفی Floorlocator، سیستمی که ناوبری داخلی را بهبود می بخشد

معرفی Floorlocator، سیستمی که ناوبری داخلی را بهبود می بخشد

معرفی Floorlocator: تغییر دهنده بازی در فناوری ناوبری داخلی

نمای کلی FloorLocator. اسکن‌های WiFi ورودی را می‌گیرد، که در نموداری از APهای قابل مشاهده سازماندهی می‌شوند، قبل از اینکه برای آموزش و پیش‌بینی به یک شبکه عصبی گراف اسپکینگ وارد شوند. هر ماژول FloorLocator در بخش V به تفصیل توضیح داده خواهد شد. ناوبری ماهواره ای

موقعیت یابی داخلی با برنامه هایی که ردیابی دقیق مکان را می طلبند در حال تغییر است. روش‌های سنتی، از جمله تکنیک‌های اثر انگشت و مبتنی بر حسگر، اگرچه به طور گسترده مورد استفاده قرار می‌گیرند، اما با اشکالات قابل توجهی مانند نیاز به داده‌های آموزشی گسترده، مقیاس‌پذیری ضعیف و تکیه بر اطلاعات حسگر اضافی مواجه هستند. پیشرفت‌های اخیر به دنبال استفاده از یادگیری عمیق بوده‌اند، اما مسائلی مانند مقیاس‌پذیری کم و هزینه‌های محاسباتی بالا همچنان مورد توجه قرار نگرفته است.

در مطالعه اخیر منتشر شده در ناوبری ماهواره ایمحققان دانشگاه چونگ کینگ از “FloorLocator” رونمایی کردند، سیستمی که ناوبری داخل ساختمان را با دقت و کارایی بی سابقه ای متحول می کند.

FloorLocator معیار جدیدی را در ناوبری داخلی تعیین می کند و به طور قابل توجهی بر فناوری های سنتی با دقت، مقیاس پذیری و کارایی محاسباتی برتر برتری می یابد. این سیستم نوآورانه شبکه‌های عصبی Spiking (SNN) را با شبکه‌های عصبی نمودار (GNN) ادغام می‌کند و کارایی محاسباتی SNN را با تشخیص الگوی پیشرفته GNN‌ها تطبیق می‌دهد. SNN کارایی محاسباتی بی‌نظیری را در جدول به ارمغان می‌آورد، در حالی که GNN‌ها در تشخیص الگوی پیچیده برتری دارند.

این ترکیب نه تنها عملکرد محلی سازی کف را افزایش می دهد، بلکه از رویکردهای داده فشرده و غیر قابل انعطاف گذشته نیز منحرف می شود. FloorLocator بومی سازی طبقه را به عنوان یک چالش یادگیری مبتنی بر نمودار دوباره تصور می کند و نقاط دسترسی (APs) را به یک نمودار پویا برای انطباق بی دردسر با تنظیمات جدید نگاشت می کند، شاهکاری که با فناوری های فعلی بی نظیر است.

موفقیت FloorLocator با دستیابی به حداقل 10٪ دقت بالاتر در ساختمان های پیچیده و چند طبقه نسبت به جدیدترین روش ها، به ادغام استراتژیک SNN ها برای محاسبات کارآمد و GNN ها برای یادگیری تطبیقی ​​نسبت داده می شود که ناوبری داخلی را متحول می کند.

دکتر Xianlei Long، محقق اصلی، تأکید کرد: “FloorLocator فقط یک پیشرفت در فناوری نیست، بلکه یک جهش به سمت ایجاد سیستم های ناوبری داخلی انعطاف پذیرتر، کارآمدتر و دقیق تر است. با استفاده از رویکرد یادگیری مبتنی بر نمودار، می تواند به راحتی مقیاس شود. به محیط‌های جدید بدون بار هزینه‌های محاسباتی بالا و جمع‌آوری گسترده داده‌ها.”

FloorLocator از نظر دقت، مقیاس پذیری و کارایی از فناوری های فعلی پیشی می گیرد. این رویکرد سازگاری پویا با محیط‌های جدید را امکان‌پذیر می‌سازد و استاندارد جدیدی را در این زمینه ایجاد می‌کند و برنامه‌های کاربردی گسترده‌ای از بهبود پاسخ‌های اضطراری تا بهبود موقعیت داخلی و توصیه‌های شخصی‌سازی شده ارائه می‌دهد و آن را به عنوان یک راه‌حل کلیدی برای فضای داخلی آینده معرفی می‌کند.

اطلاعات بیشتر:
فوکیانگ گو و همکاران، محلی‌سازی دقیق و کارآمد کف با شبکه‌های عصبی نمودار اسپایکینگ مقیاس‌پذیر، ناوبری ماهواره ای (2024). DOI: 10.1186/s43020-024-00127-8

ارائه شده توسط آکادمی علوم چین

نقل قول: معرفی Floorlocator، سیستمی که ناوبری داخلی را بهبود می بخشد (2024، 20 مارس) در 21 مارس 2024 از https://techxplore.com/news/2024-03-floorlocator-indoor.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



منبع

بخوان  واتس‌اپ 3 ویژگی فوق‌العاده مفید دریافت می‌کند – در اینجا نحوه دریافت آنها آورده شده است