USA: Verbesserte Indoor-Positionierung durch Licht und KI

Die im Fachjournal PLOS ONE veröffentlichte Studie von Pengjun Zhang und Jie Mi beschreibt ein neues Verfahren zur Indoor-Positionsbestimmung, das sichtbares Licht, Bildverarbeitung und optimierte neuronale Netze kombiniert. Die Autoren betonen, dass das Verfahren die bekannten Schwächen herkömmlicher RSS‑basierten Systeme, insbesondere Störanfälligkeit und Instabilität, adressieren soll.

Methodik und Datenaufbereitung

Nach Angaben der Forschenden wurde ein Lichtquellenlayout entwickelt und ein Bilddatenerfassungsverfahren implementiert, das Bilder mit einem ResNet‑50‑Netz extrahiert. Die Feature‑Pyramiden‑Idee wurde integriert, um die Diversität der Merkmalsbibliothek zu erhöhen. Die Studie berichtet, dass die durchschnittliche Kosinus‑Ähnlichkeit der extrahierten Merkmale 0.103 beträgt, ein Wert, der nahe bei 0 liegt und damit eine hohe Diversität signalisiere.

Modellierung und Optimierung

Die Autoren stellten ein Indoor‑Lokalisierungsmodell auf Basis eines Elman‑Netzwerks vor und optimierten dessen Anfangsgewichte sowie Schwellenwerte mithilfe einer verbesserten Grey‑Wolf‑Optimierung (GWO). Die verbesserten GWO‑Ergebnisse zeigten durchschnittliche Fitnesswerte von 2.69 × 10^5, 1.47 × 10^1 und 2.17 × 10^2, jeweils niedriger als bei den Vergleichs‑Algorithmen.

Ergebnisse im Praxistest

In Messungen auf drei unterschiedlichen Höhen erreichten die Autoren durchschnittliche Positionsfehler von 3.04 cm, 3.57 cm und 3.19 cm. Diese Werte seien im Vergleich zu den Referenzmodellen signifikant geringer, so die Studienautoren.

Weitere Analysen

Zusätzlich prüften die Forschenden die Leistung des Modells bei dynamischen Szenarien und unter variierenden Lichtbedingungen. Sie berichten, dass das Modell sowohl bei Bewegung als auch bei veränderten Umgebungslichtverhältnissen bessere Resultate liefere als die Vergleichsmodelle.

Bedeutung und Ausblick

Die Autoren schließen daraus, dass das vorgestellte Verfahren technische Unterstützung für Anwendungen in Bereichen wie Smart‑Retail und Gesundheitswesen bieten könne, indem es eine kostengünstige, hochpräzise Indoor‑Positionsbestimmung ermögliche. Weitere Forschungen seien geplant, um die Skalierbarkeit und die Integration in reale Systeme zu prüfen.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.