Machine and Deep Learning and Sensor Fusion for Pedestrian Dead Reckoning Applications

Promovendus/a
Vandermeeren, Stef
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Telecommunicatie en Informatieverwerking
Curriculum
Master of Science in Electrical Engineering, Universiteit Gent, 2015
Academische graad
Doctor in de de ingenieurswetenschappen: elektrotechniek
Taal proefschrift
Engels
Vertaling titel
Machine- en deeplearning en sensorfusie voor pedestriandeadreckoning-toepassingen
Promotor(en)
prof. Heidi Steendam, vakgroep Telecommunicatie en Informatieverwerking - em. prof. Herwig Bruneel, vakgroep Telecommunicatie en Informatieverwerking
Examencommissie
voorzitter prof. Filip De Turck (academisch secretaris FEA) - dr. Rafael Berkvens (Universiteit Antwerpen) - em. prof. Herwig Bruneel (vakgroep Telecommunicatie en Informatieverwerking) - prof. Nele Noels (vakgroep Telecommunicatie en Informatieverwerking) - prof. Hendrik Rogier (vakgroep Informatietechnologie) - prof. Heidi Steendam (vakgroep Telecommunicatie en Informatieverwerking) - prof. Nobby Stevens (KU Leuven) - prof. Henk Wymeersch (Chalmers University of Technology, Sweden)

Korte beschrijving

Vandaag de dag is een wereld zonder GPS amper nog voor te stellen. Deze technologie maakte het mogelijk om verschillende outdoor toepassingen te implementeren. Denk bijvoorbeeld aan Google Maps. Voor indoor toepassingen is GPS echter vaak onvoldoende nauwkeurig door de lagere signaalkwaliteit en de hogere benodigde nauwkeurigheid. Daarom is het noodzakelijk om technologieën te ontwikkeling specifiek voor indoor lokalisatie. In deze doctoraatsthesis kijken we hoofdzakelijk naar een pedestrian dead reckoning (PDR) systeem om de locatie van een persoon te tracken. Een PDR-systeem schat de locatie van een persoon door de stappen van deze persoon te detecteren en voor iedere stap te bepalen hoe lang hij is en in welke richting. Dit wordt doorgaans geschat met behulp van de metingen van een accelerometer en gyroscoop. Veel van de huidige algoritmes maken echter gebruik van parameters die afhangen van de gebruiker en dus voor optimale performantie aangepast moeten worden aan de gebruiker. Daarom gebruiken wij in dit werk machine en deep learning om algoritmes te trainen die niet getuned moeten worden aan de specifieke gebruiker. Tot slot bekijken we ook nog hoe we zo een PDR-systeem kunnen combineren met andere indoor lokalisatie technologieën zodat we de voordelen van beide technologieën kunnen combineren.

Praktisch

Datum
Dinsdag 25 oktober 2022, 16:30
Locatie
auditorium P Jozef Plateau, gelijkvloers, Jozef Plateaustraat 22, 9000 Gent
Livestream
Volg online

Meer info

Contact
doctoraat.ea@UGent.be