Machine Learning Model for Localization in an Urban Environment

The indoor localization problem has seen great improvements during the last tenyears and today it is possible to determine the location of electronic devices, such assmartphones, with centimeter precision. The aim of this project is to apply similar localizationmethods on multichannel antenna data gathered outdoors in an urban environment andanalyze the viability of this approach. Specifically, machine learning models are created andtested. We also answer the question if this method can be an alternative to the GPS. Themodels utilize the received gain, channel impulse response and power delay profiles and putthis data through different kNN-regression models. To measure the results, both accuracyand computational time are taken into consideration. Through this method, we producemodels that are highly accurate with longer computational times as well as less accuratemodels that are more computationally efficient. This method is viable but may becomplicated to implement on a bigger scale, for example as a GPS alternative.
Förmågan att lokalisera datorenheter, såsom mobiltelefoner, inomhus hargjort stora framsteg under de senaste tio åren och idag är det möjligt medcentimeterprecision. Målet för det här projektet är att applicera liknande lokaliseringsmetoderpå flerkanalsantenndata som insamlats utomhus i stadsmiljö och analysera rimligheten avdetta tillvägagångssätt. Mer specifikt framställs och prövas maskininlärningsmodeller. Visvarar också på frågan om dessa metoder kan vara ett alternativ till gps. Modellernaanvänder den mottagna förstärkningen, impulssvaret och effektprofilen övertidsfördröjningen mellan sända signaler (Power delay profile) och implementerar datat i olikakNN-regressionsmodeller. För att bedöma resultatet tas hänsyn till både noggrannhet ochberäkningstid. Med den här metoden producerar vi modeller som är mycket noggranna medlängre beräkningstider samt mindre noggranna modeller som är mer beräkningseffektiva.Metoden är genomförbar men kan vara komplicerad att implementera i större skala, som tillexempel ett gps-alternativ.
Kandidatexjobb i elektroteknik 2023, KTH, Stockholm