[논문]Estimating Indoor Radio Environment Maps with Mobile Robots and Machine Learning

Taewoong Hwang; Mario R. Camana Acosta; Carla E. Garcia Moreta; Insoo Koo

doi:10.7236/ijasc.2023.12.1.92

Estimating Indoor Radio Environment Maps with Mobile Robots and Machine Learning 원문보기

International journal of advanced smart convergence, v.12 no.1, 2023년, pp.92 - 100

Taewoong Hwang (Department of Electrical) , Mario R. Camana Acosta (Department of Electrical) , Carla E. Garcia Moreta (Department of Electrical) , Insoo Koo (Department of Electrical)

Abstract ▼ AI-Helper

Wireless communication technology is becoming increasingly prevalent in smart factories, but the rise in the number of wireless devices can lead to interference in the ISM band and obstacles like metal blocks within the factory can weaken communication signals, creating radio shadow areas that impede information exchange. Consequently, accurately determining the radio communication coverage range is crucial. To address this issue, a Radio Environment Map (REM) can be used to provide information about the radio environment in a specific area. In this paper, a technique for estimating an indoor REM usinga mobile robot and machine learning methods is introduced. The mobile robot first collects and processes data, including the Received Signal Strength Indicator (RSSI) and location estimation. This data is then used to implement the REM through machine learning regression algorithms such as Extra Tree Regressor, Random Forest Regressor, and Decision Tree Regressor. Furthermore, the numerical and visual performance of REM for each model can be assessed in terms of R2 and Root Mean Square Error (RMSE).

주제어

표/그림 (5)

그림 Figure 1. The implementation process of Radio Environment Map (REM) with Mobile Robots and Machine Learning
그림 Figure 2. Turtlebot 3 burger used to collect data for REM construction
그림 Figure 3. (a) Room 303, Electrical and Computer Engineering Building, University of Ulsan (b) The location of WiFi AP and The path of Mobile Robot
표 Table 1. Error evaluation of dataset
그림 Figure 4. Visualization of the REM using (a) ExtraTreesRegressor, (b) RandomForestRegressor, and (c) DecisionTreeRegressor.

참고문헌 (11)

Hassoun, Abdo, et al. "The fourth industrial revolution in the food industry-Part I: Industry 4.0？technologies." Critical Reviews in Food Science and Nutrition (2022): 1-17.？DOI: https://doi.org/10.1080/10408398.2022.2034735？

상세보기
Chien, Chen-Fu, Wei-Tse Hung, and Eddy Ting-Yi Liao. "Redefining monitoring rules for intelligent fault detection？and classification via CNN transfer learning for smart manufacturing." IEEE Transactions on Semiconductor？Manufacturing 35.2 (2022): 158-165.？DOI: https://doi.org/10.1109/TSM.2022.3164904？

상세보기
Liang, Yewen, Qingfeng Jing, and Weizhi Zhong. "A novel method to reduce indoor signal power fluctuation using？multiple adaptive terahertz sources." International Journal of Communication Systems 35.11 (2022): e5196..？DOI: https://doi.org/10.1002/dac.5196？

상세보기
S.-F. Chou, H.-W. Yen, and A.-C. Pang, "A REM-Enabled Diagnostic Framework in Cellular-Based IoT Networks,"？IEEE Internet of Things Journal, vol. 6, no. 3, pp. 5273-5284, Jun. 2019.？DOI: https://doi.org/10.1109/JIOT.2019.2900093？

상세보기
S. Bi, J. Lyu, Z. Ding, and R. Zhang, "Engineering Radio Maps for Wireless Resource Management," IEEE Wireless？Communications, vol. 26, no. 2, pp. 133-141, Apr. 2019.？DOI: https://doi.org/ 10.1109/MWC.2019.1800146？

상세보기
C. E. G. Moreta, M. R. C. Acosta, and I. Koo, "Prediction of Digital Terrestrial Television Coverage Using Machine？Learning Regression," IEEE Transactions on Broadcasting, vol. 65, no. 4, pp. 702-712, Dec. 2019.？DOI: https://doi.org/10.1109/TBC.2019.2901409？

상세보기
Christa, Sharon, V. Suma, and Uma Mohan. "Regression and decision tree approaches in predicting the effort in？resolving incidents." International Journal of Business Information Systems 39.3 (2022): 379-399.？DOI: https://doi.org/10.1504/IJBIS.2022.122342？

상세보기
L. Breiman, "Random forest," Mach. Learn., vol. 45, no. 1, pp. 5-32, Oct. 2001.？DOI: https://doi.org/10.1023/A:1010933404324？
Serpi, Helena, and Christina Tanya Politi. "Machine Learning assisted Indoor Visible Light Communications Radio？Environment Maps." 2022 Panhellenic Conference on Electronics & Telecommunications (PACET). IEEE, 2022.？DOI: https://doi.org/10.1109/PACET56979.2022.9976382？
ROBOTIS e-Manual, "TurtleBot3", https://emanual.robotis.com/docs/en/platform/turtlebot3/features？
M. F. Ahmad Fauzi, R. Nordin, N. F. Abdullah and H. A. H. Alobaidy, "Mobile Network Coverage Prediction Based？on Supervised Machine Learning Algorithms," in IEEE Access, vol. 10, pp. 55782-55793, 2022？DOI: https://doi.org/10.1109/ACCESS.2022.3176619

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Estimating Indoor Radio Environment Maps with Mobile Robots and Machine Learning 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

참고문헌 (11)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Estimating Indoor Radio Environment Maps with Mobile Robots and Machine Learning 원문보기

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

참고문헌 (11)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

표/그림 (5)

표/그림 (5)