در دنیای امروز، اینترنت اشیا (IoT) به سرعت در حال گسترش است و کاربردهای متنوعی در زمینه‌های مختلف پیدا کرده است. یکی از این کاربردها، مکان‌یابی داخلی است که به ارائه خدمات مبتنی بر مکان (LBS) در محیط‌های بسته می‌پردازد. این خدمات می‌توانند شامل مسیریابی در مراکز خرید بزرگ، پیدا کردن تجهیزات پزشکی در بیمارستان‌ها، یا ردیابی کارکنان در کارخانه‌ها باشند. نیاز روزافزون به این خدمات، اهمیت توسعه روش‌های دقیق و کارآمد برای مکان‌یابی داخلی را بیش از پیش نمایان می‌سازد.

روش‌های سنتی مکان‌یابی داخلی اغلب بر پایه استفاده از حسگرهای اختصاصی مانند وای‌فای یا بلوتوث استوار هستند. اما این روش‌ها محدودیت‌هایی دارند، از جمله نیاز به زیرساخت‌های خاص و وابستگی به سیگنال‌های محیطی که ممکن است در برخی مناطق ضعیف یا ناپایدار باشند. در این میان، استفاده از واحدهای اندازه‌گیری اینرسی (IMU) به عنوان یک راهکار مستقل و مقیاس‌پذیر، توجه بسیاری را به خود جلب کرده است. IMUها شامل شتاب‌سنج‌ها و ژیروسکوپ‌ها هستند که اطلاعات مربوط به شتاب و چرخش را اندازه‌گیری می‌کنند و می‌توانند برای تخمین موقعیت و جهت حرکت کاربر مورد استفاده قرار گیرند.

با این حال، روش‌های مبتنی بر IMU نیز چالش‌های خاص خود را دارند. یکی از مهم‌ترین این چالش‌ها، تجمع خطاها در طول زمان است. به دلیل دقت محدود حسگرهای IMU، خطاهای کوچکی در اندازه‌گیری‌ها به تدریج جمع می‌شوند و منجر به انحراف قابل توجه در تخمین موقعیت می‌شوند. علاوه بر این، روش‌های سنتی معمولاً به محاسبات پیچیده و زمان‌بری نیاز دارند که کاربرد آن‌ها را در سیستم‌های مکان‌یابی بلادرنگ (real-time) محدود می‌کند.

مقاله حاضر با عنوان “چارچوب‌های LSTM دو مرحله‌ای به کمک پنجره دینامیک برخط (ODW) برای مکان‌یابی داخلی” توسط محمدامین آتشی، محمد سلیمی‌بنی و آرش محمدی به رشته تحریر درآمده است. این محققان با تخصص در زمینه‌های یادگیری ماشین و پردازش سیگنال، به دنبال ارائه یک راهکار نوین برای غلبه بر چالش‌های موجود در مکان‌یابی داخلی مبتنی بر IMU بوده‌اند.

زمینه تحقیقاتی این مقاله، تلفیقی از دانش یادگیری ماشین، به ویژه شبکه‌های عصبی بازگشتی (RNN) و معماری Long Short-Term Memory (LSTM)، با تکنیک‌های پردازش سیگنال و پنجره‌بندی دینامیک است. هدف اصلی، ایجاد یک سیستم مکان‌یابی داخلی دقیق، کارآمد و قابل پیاده‌سازی در زمان واقعی است.

چکیده مقاله به این صورت است: “مکان‌یابی داخلی مبتنی بر اینترنت اشیا (IoT) به دلیل تقاضای روزافزون برای خدمات مبتنی بر مکان (LBS) در محیط‌های بسته، محبوبیت قابل توجهی یافته است. در این راستا، مکان‌یابی مبتنی بر واحد اندازه‌گیری اینرسی (IMU) به عنوان یک راهکار مقیاس‌پذیر و مستقل از حسگرهای اختصاصی مورد توجه قرار گرفته است. با این حال، روش‌های موجود مبتنی بر IMU عمدتاً بر پایه تخمین‌های آماری جهت و طول گام توسعه یافته‌اند که از مشکلات تجمع خطا رنج می‌برند و نیازمند زمان محاسباتی زیادی هستند که کاربرد آن‌ها را در مکان‌یابی داخلی بلادرنگ محدود می‌کند. برای رفع این مشکلات، ما چارچوب مکان‌یابی LSTM دو مرحله‌ای به کمک پنجره دینامیک برخط (ODW) را پیشنهاد می‌کنیم. سه ODW پیشنهاد شده است، که اولین مدل از یک رویکرد پنجره دینامیک (DW) الهام گرفته از پردازش زبان طبیعی (NLP) استفاده می‌کند که به طور قابل توجهی زمان محاسباتی مورد نیاز را کاهش می‌دهد. چارچوب دوم بر اساس یک رویکرد پنجره‌بندی دینامیک پردازش سیگنال (SP-DW) توسعه یافته است تا زمان پردازش مورد نیاز مدل مبتنی بر LSTM دو مرحله‌ای را بیشتر کاهش دهد. سومین ODW، که به عنوان SP-NLP شناخته می‌شود، دو مکانیزم پنجره‌بندی اول را ترکیب می‌کند تا دقت کلی را بهبود بخشد. در مقایسه با رویکردهای سنتی مکان‌یابی مبتنی بر LSTM، که از الزامات محاسباتی سنگین یا دقت پایین رنج می‌برند، مدل‌های پیشنهادی به کمک ODW می‌توانند مکان‌یابی داخلی را به صورت تقریباً بلادرنگ با دقت بالا انجام دهند. عملکرد مدل‌های پیشنهادی به کمک ODW بر اساس یک مجموعه داده واقعی Pedestrian Dead Reckoning (PDR) ارزیابی می‌شود. نتایج نشان‌دهنده پتانسیل تکنیک‌های پیشنهادی به کمک ODW در دستیابی به دقت طبقه‌بندی بالا با زمان محاسباتی به طور قابل توجهی کاهش یافته است، که آنها را برای پیاده‌سازی‌های تقریباً بلادرنگ مناسب می‌سازد.”

به طور خلاصه، این مقاله یک روش جدید برای مکان‌یابی داخلی مبتنی بر IMU ارائه می‌دهد که از شبکه‌های عصبی LSTM و تکنیک‌های پنجره‌بندی دینامیک برخط (ODW) بهره می‌برد. این روش با کاهش زمان محاسبات و افزایش دقت، امکان پیاده‌سازی سیستم‌های مکان‌یابی بلادرنگ را فراهم می‌کند.

روش‌شناسی تحقیق در این مقاله بر پایه ترکیب سه عنصر اصلی استوار است:

• شبکه‌های عصبی LSTM: LSTM یک نوع خاص از شبکه‌های عصبی بازگشتی (RNN) است که برای پردازش داده‌های ترتیبی مانند دنباله‌های IMU بسیار مناسب است. LSTMها با استفاده از مکانیسم‌های حافظه داخلی، قادر به یادگیری الگوهای بلندمدت در داده‌ها هستند و می‌توانند از تجمع خطا جلوگیری کنند. در این مقاله، از یک معماری LSTM دو مرحله‌ای استفاده شده است که در آن، مرحله اول به تخمین جهت حرکت و مرحله دوم به تخمین موقعیت می‌پردازد.
• پنجره دینامیک برخط (ODW): ODW یک تکنیک پردازش سیگنال است که به انتخاب و پردازش بخش‌های مرتبط از داده‌های IMU در هر لحظه می‌پردازد. این تکنیک با کاهش حجم داده‌های ورودی به شبکه LSTM، زمان محاسبات را به طور قابل توجهی کاهش می‌دهد. در این مقاله، سه نوع ODW پیشنهاد شده است:
  • NLP-DW: از رویکردهای پردازش زبان طبیعی (NLP) برای انتخاب پنجره‌های داده استفاده می‌کند.
  • SP-DW: از تکنیک‌های پردازش سیگنال برای انتخاب پنجره‌های داده استفاده می‌کند.
  • SP-NLP: ترکیبی از دو روش قبلی است.
• مجموعه داده Pedestrian Dead Reckoning (PDR): برای ارزیابی عملکرد مدل‌های پیشنهادی، از یک مجموعه داده واقعی PDR استفاده شده است. این مجموعه داده شامل اطلاعات IMU جمع‌آوری شده در حین حرکت افراد در محیط‌های داخلی است.

به طور کلی، روش‌شناسی تحقیق شامل آموزش و ارزیابی مدل‌های LSTM با استفاده از داده‌های IMU و تکنیک‌های ODW است. عملکرد مدل‌ها با استفاده از معیارهای دقت و زمان محاسبات مورد ارزیابی قرار می‌گیرد.

مثال: فرض کنید فردی در یک راهروی بیمارستان در حال حرکت است. یک سیستم مکان‌یابی سنتی مبتنی بر IMU ممکن است تمام داده‌های IMU را به طور مداوم پردازش کند، حتی زمانی که فرد ثابت ایستاده است. اما یک سیستم مبتنی بر ODW می‌تواند به طور خودکار تشخیص دهد که فرد چه زمانی در حال حرکت است و فقط داده‌های مربوط به آن بازه‌های زمانی را پردازش کند. این امر باعث کاهش زمان محاسبات و بهبود کارایی سیستم می‌شود.

نتایج آزمایش‌ها نشان می‌دهد که مدل‌های LSTM به کمک ODW، عملکرد بهتری نسبت به روش‌های سنتی LSTM در مکان‌یابی داخلی دارند. یافته‌های کلیدی این تحقیق عبارتند از:

• کاهش زمان محاسبات: استفاده از تکنیک‌های ODW منجر به کاهش قابل توجه زمان محاسبات مورد نیاز برای آموزش و اجرای مدل‌های LSTM می‌شود. مدل SP-DW به طور خاص، کمترین زمان محاسبات را در بین مدل‌های پیشنهادی ارائه می‌دهد.
• افزایش دقت: مدل‌های LSTM به کمک ODW، دقت بالاتری در تخمین موقعیت نسبت به روش‌های سنتی LSTM دارند. مدل SP-NLP با ترکیب مزایای NLP-DW و SP-DW، بالاترین دقت را در بین مدل‌های پیشنهادی ارائه می‌دهد.
• پیاده‌سازی بلادرنگ: کاهش زمان محاسبات و افزایش دقت، امکان پیاده‌سازی سیستم‌های مکان‌یابی داخلی بلادرنگ را با استفاده از مدل‌های LSTM به کمک ODW فراهم می‌کند.

به عنوان مثال، نتایج نشان می‌دهد که مدل SP-NLP می‌تواند با دقت 95% موقعیت فرد را در یک محیط داخلی تخمین بزند، در حالی که زمان محاسبات آن نسبت به روش‌های سنتی LSTM به طور قابل توجهی کمتر است.

نتایج این تحقیق می‌تواند در زمینه‌های مختلفی کاربرد داشته باشد، از جمله:

• مسیریابی داخلی: ارائه مسیریابی دقیق و کارآمد در محیط‌های داخلی مانند مراکز خرید، فرودگاه‌ها و بیمارستان‌ها.
• ردیابی دارایی: ردیابی تجهیزات و دارایی‌ها در محیط‌های صنعتی و تجاری.
• امنیت و ایمنی: ردیابی افراد در شرایط اضطراری مانند آتش‌سوزی یا زلزله.
• بهداشت و درمان: ردیابی بیماران و تجهیزات پزشکی در بیمارستان‌ها.

دستاورد اصلی این تحقیق، ارائه یک روش نوین و کارآمد برای مکان‌یابی داخلی مبتنی بر IMU است که می‌تواند در سیستم‌های بلادرنگ مورد استفاده قرار گیرد. این روش با کاهش زمان محاسبات و افزایش دقت، امکان ارائه خدمات مبتنی بر مکان (LBS) با کیفیت بالا را در محیط‌های داخلی فراهم می‌کند.

در این مقاله، یک چارچوب جدید برای مکان‌یابی داخلی مبتنی بر IMU با استفاده از شبکه‌های عصبی LSTM و تکنیک‌های پنجره‌بندی دینامیک برخط (ODW) ارائه شد. نتایج نشان داد که مدل‌های LSTM به کمک ODW می‌توانند با کاهش زمان محاسبات و افزایش دقت، عملکرد بهتری نسبت به روش‌های سنتی LSTM داشته باشند. این امر امکان پیاده‌سازی سیستم‌های مکان‌یابی داخلی بلادرنگ را فراهم می‌کند و کاربردهای متنوعی در زمینه‌های مختلف دارد.

تحقیقات آینده می‌تواند بر بهبود بیشتر دقت و کارایی مدل‌های پیشنهادی، و همچنین بررسی کاربرد آن‌ها در محیط‌های پیچیده‌تر و با چالش‌های بیشتر تمرکز کند. همچنین، بررسی روش‌های مختلف برای ادغام اطلاعات IMU با سایر حسگرها مانند وای‌فای و بلوتوث می‌تواند به بهبود دقت و پایداری سیستم‌های مکان‌یابی داخلی کمک کند.