Mejoras basadas en Machine Learning sobre un sistema BLE para la zonificación y localización en interiores

Abstract

RESUMEN: Este trabajo tiene como objetivo la mejora de los resultados obtenidos en trabajos anteriores de un sistema de posicionamiento para interiores basado en balizas Bluetooth. Para cumplir dicho objetivo, el desarrollo de este trabajo consiste en analizar y aplicar diferentes algoritmos y modelos de Machine Learning sobre los conjuntos de datos de las distintas medidas. Este trabajo se ha centrado en las medidas de las balizas Bluetooth que fueron obtenidas en el segundo trabajo citado anteriormente mediante un sistema de módulos Bluetooth cuyas señales son recibidas y almacenadas por un terminal móvil para poder procesar los datos después y determinar correctamente su posición. Estas medidas han sido utilizadas como datos de entrenamiento con los distintos algoritmos y se han evaluado varias rutas posibles en la zona de estudio. Mediante el uso del lenguaje R se han implementado siete algoritmos distintos y debido a esta variedad de modelos estudiados se ha podido obtener una gran variedad de resultados y determinar el modelo que mejor funciona en este problema. También, se han realizado los mismos pasos sobre otros conjuntos de datos, uno solo de medidas Wi-Fi y otro utilizando ambas medidas, Bluetooth y Wi-Fi. La aplicación de estas técnicas de Machine Learning ha conseguido que, pese a que en algunos casos los resultados sean bajos, se mejoren los resultados obtenidos en los trabajos anteriores, por tanto, se ha cumplido el objetivo propuesto.

ABSTRACT: This paper aims to improve the results obtained in previous works of an indoor positioning system based on Bluetooth beacons. To achieve this objective, the development of this work consists of analyzing and applying different algorithms and Machine Learning models on the datasets of the different measures. This work is focused on the measurements of the Bluetooth beacons, which were obtained in the second project mentioned above using a system of Bluetooth modules whose signals are received and stored by a mobile terminal in order to be able to process the data later and determine their position correctly. These measurements have been used as training datasets with the different algorithms and several possible routes have been tested in the study area. Using the R language, seven different algorithms have been implemented and due to this diversity of models studied, it has been possible to obtain a great variety of results and to determine the model that works best in this problem. At the same time, the same steps have been performed on other datasets, one of only Wi-Fi measurements and another one consisting of both measurements, Bluetooth, and Wi-Fi. The application of these Machine Learning techniques has managed that, even though the results are low in some cases, the results obtained in previous works are improved, therefore, the proposed objective has been met.