Wahrscheinlichkeitskarten für Entfernungs- und Winkelinformationen zur Innenraumpositionierung

12 August 2025

Range-angle likelihood maps for indoor positioning using deep neural networks
^{M Ammad, P Schwarzbach, M Schultz, O Michler. International Conference on Indoor Positioning and Indoor Navigation}

Eine genaue und hochpräzise Indoor-Positionierung ist ebenso wichtig wie eine verlässliche Navigation in Außenbereichen. Der Einsatz moderner Deep-Learning-Modelle erhöht die Zuverlässigkeit und Genauigkeit bei der Navigation und Überwachung von Positionen in einer Flugzeugkabine. Wir nutzen Messdaten aus einer simulierten Kabinenumgebung und schlagen ein Residual Neural Network (ResNet) zur präzisen Positionsbestimmung im Kabineninneren vor. Die Messdaten umfassen Distanzen und Winkel zwischen einem Tag und den Ankerpunkten. Diese Werte werden auf ein Gitter abgebildet und als Distanz- und Winkelresiduen dargestellt. Aus diesen Residuen entstehen Likelihood-Gitterkarten, in denen jede Zelle die Wahrscheinlichkeit angibt, eine tatsächliche Position zu sein. Diese Gitterkarten dienen gemeinsam mit den wahren Positionen als Eingabe für das Training des ResNet-Modells. Da Deep-Learning-Modelle viele Parameter besitzen, wird eine Hyperparameter-Optimierung durchgeführt, um die bestmöglichen Einstellungen für ein präzises und effizientes Training zu bestimmen. Mit den optimalen Hyperparametern wird das Modell anschließend trainiert und erreicht eine Lokalisierungsgenauigkeit im Zentimeterbereich.