Κατάλογος Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Γεωργίου Παπαδόπουλου

με θέμα

Προσδιορισμός Θέσης Ετικετών RFID με Πολυστατική Ανάγνωση και Νευρωνικά Δίκτυα

RFID Localization with Multistatic Interrogation and Neural Networks

Εξεταστική Επιτροπή

Καθηγητής Βασίλειος Διγαλάκης (επιβλέπων)
Καθηγητής Άγγελος Μπλέτσας
Καθηγητής Μιχαήλ Λαγουδάκης

Περίληψη

Τα τελευταία χρόνια, η χρήση παθητικών ετικετών RFID χαμηλού κόστους για αξιόπιστη επικοινωνία και προσδιορισμό θέσης έχει εδραιωθεί σε πολλούς τομείς, από την ακαδημαϊκή έρευνα μέχρι την βιομηχανία. Η παρούσα εργασία εμπνέεται από μια πρόσφατα δημοσιευμένη τεχνική πολυστατικού εντοπισμού, η οποία εκμεταλλεύεται την δημιουργία ελλείψεων στο επίπεδο, αξιοποιώντας μετρήσεις φάσης και κατεύθυνσης άφιξης (DoA).
Παρουσιάζεται μια μέθοδος εντοπισμού σε δύο διαστάσεις, η οποία χρησιμοποιεί νευρωνικά δίκτυα (NN) για την βελτίωση της ακρίβειας. Πιο συγκεκριμένα, αναπτύσσεται ένα Deep Feed Forward νευρωνικό δίκτυο που εκτιμά την θέση της ετικέτας, έχοντας ως εισόδους πολλαπλές μετρήσεις φάσεις από το πολυστατικό σύστημα.
Στο πρώτο μέρος της διπλωματικής, συγκρίνονται οι συμβατικές τεχνικές με νευρωνικά δίκτυα εκπαιδευμένα σε 1.000.000 δείγματα και, μέσω προσομοιώσεων σε μια περιοχή 8x4 τ.μ., φανερώνεται ένα σημαντικό πλεονέκτημα για τα νευρωνικά, για τυχαίες θέσεις των ετικετών. Έπειτα, ένα σημαντικά βελτιωμένο σύστημα παρουσιάζεται, το οποίο χρησιμοποιεί μία μόνο επιπλέον κεραία λήψης και σημειώνει 76% μειωμένο μέσο απόλυτο σφάλμα, συγκριτικά με την προηγούμενη διάταξη, με τελική τιμή 2,48 εκ.. Μάλιστα, η διάμεσος των απόλυτων σφαλμάτων πέφτει κάτω από το ένα εκατοστό. Σε αντίθεση με τη βιβλιογραφία, αποδεικνύεται ότι αυτό το αποτέλεσμα δεν οφείλεται στις ασάφειες φάσεις, αλλά ο καθοριστικός παράγοντας είναι οι μεγαλύτερες διαφορές στην κατανομή των τιμών εισόδων μέσα στην περιοχή ενδιαφέροντος, παρέχοντας έτσι πλουσιότερη πληροφορία στο νευρωνικό δίκτυο για εκπαίδευση.
Στο δεύτερο μέρος της διπλωματικής, χρησιμοποιούνται πειραματικά δεδομένα για να αξιολογηθεί η αποτελεσματικότητα των νευρωνικών δικτύων σε δύο πραγματικά σενάρια, με ετικέτες να τοποθετούνται έως και 1,2 μέτρα μακριά από τις κεραίες, ενώ συνολικά ελέγχθηκαν 44 δείγματα. Σημειώνεται ότι το σύστημα εκπαιδεύτηκε με προσομοιώσεις δεδομένων, ενώ τα πειραματικά δεδομένα χρησιμοποιήθηκαν μόνο για δοκιμή. Αυτή τη φορά, τα νευρωνικά παρουσιάζουν παρόμοιες επιδόσεις με τις συμβατικές μεθόδους και στα δύο πειραματικά σενάρια, με μέσο απόλυτο σφάλμα που κυμαίνεται από τα 19 εκατοστά στο πρώτο, έως τα 27 εκατοστά στο δεύτερο σενάριο. Η διάμεσος των απολύτων σφαλμάτων είναι παρόμοια στις δύο περιπτώσεις, περίπου στα 8,5 εκατοστά.
Από αυτή τη διπλωματική διατριβή μπορούν να συναχθούν δύο βασικά συμπεράσματα: 1) Τα νευρωνικά που εκπαιδεύονται αποκλειστικά με προσομοιωμένα δεδομένα, μπορούν να επιτύχουν ικανοποιητικά αποτελέσματα με πειραματικές (πραγματικές) μετρήσεις, με απόδοση συγκρίσιμη των πιο αποδοτικών γνωστών μεθόδων. 2) Υπάρχει χώρος για βελτίωση, χρησιμοποιώντας πειραματικά δεδομένα για εκπαίδευση, ίσως με την χρήση κινούμενης ρομποτικής πλατφόρμας που μεταφέρει την ετικέτα, και προσεκτικά επιλεγμένες θέσεις κεραιών ανάγνωσης, όπως έχει ήδη αποδειχθεί στις προσομοιώσεις.

Abstract 

The use of low-cost, batteryless radio frequency identification (RFID) tags for efficient communication and localization via signal backscattering, has been recently established in research and industry scenarios. This work draws inspiration from a recently proposed multistatic localization technique, that exploits the form of ellipses in the plane, using phase information and potentially, (elliptical) direction-of-arrival.
A 2D localization scheme is introduced, that exploits neural networks (NNs) for improved accuracy. Specifically, a Deep Feed Forward Neural Network is developed that performs regression for tag location estimation from phase-based measurements as input, offered from a custom multistatic RFID interrogation setup.
In the first part, traditional techniques are contrasted with neural networks trained with 1,000,000 samples and, through simulation comparisons across an 8x4 m2 area, a pronounced advantage for the latter is demonstrated for random tag positions. Then, a substantially improved setup is presented which, by utilizing only one extra antenna, yields a remarkable 76% reduction in mean absolute error (MAE), in the order of 2.48 cm, while median absolute error is below 1 cm. Contrary to bibliography, it is proven that this outcome is not due to phase ambiguity, but the determining factor is the increased difference in the values of the phase-based inputs within the tested area, thus giving the neural network more diverse information to be trained upon.
In the second part, experimental data are used to evaluate the efficiency of the neural networks in two real-world scenarios, with tags being positioned up to 1.2 meters away from the antennas and 44 samples taken in total. It is remarked that the system was trained with simulated data, while the experimental data mentioned above were only used for testing. This time, the NNs perform in a comparable fashion to the traditional methods, in both experimental scenarios, with MAE ranging from 19 cm (in the first) to 27 cm (in the second scenario) and the median within a centimeter of each other, at approximately 8.5 cm.
Two major conclusions can be drawn from this thesis; firstly that NNs trained exclusively with simulated data can perform reasonably well with experimental (real-world) measurements, comparably to state-of-the-art methods; secondly, there is plenty room for improvement, by using experimental data for training, perhaps with a tag in a moving robotic platform, and carefully selected reader antenna placements, as already shown in simulations.