Indoor Visible Light Positioning with Multiple LEDs and a Photodiode Receiver with Machine Learning Approach
- Promovendus/a
- Fite, Negasa Berhanu
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Telecommunicatie en Informatieverwerking
- Curriculum
- Master of Science in Computer Networking, Jimma University (Ethiopië), 2017
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Positioneringssysteem op basis van zichtbaar licht bestaande uit meerdere leds en een fotodiode-ontvanger, en gebruikmakend van machinaal leren
- Promotor(en)
- prof. Heidi Steendam, vakgroep Telecommunicatie en Informatieverwerking - prof. Getachew Mamo Wegari, Jimma University (Ethiopië)
- Examencommissie
- voorzitter prof. Sabine Wittevrongel (voorzitter Commissie Wetenschappelijk Onderzoek) - prof. Eli De Poorter, vakgroep informatietechnologie - prof. Koen De Turck, vakgroep Telecommunicatie en Informatieverwerking - prof. Nobby Stevens, KU Leuven - prof. Qing Wang, Technische Universiteit Delft (Nederland) - promotor prof. Heidi Steendam, vakgroep Telecommunicatie en Informatieverwerking - promotor prof. Getachew Mamo Wegari, Jimma University (Ethiopië)
Korte beschrijving
Deze doctoraatsthesis onderzoekt hoe we objecten nauwkeurig kunnen lokaliseren binnenshuis, waar traditionele systemen zoals GPS niet goed functioneren. Binnenomgevingen zijn complex doordat signalen worden verstoord door reflecties, obstakels en bewegende objecten. Daarom wordt gebruikgemaakt van Visible Light Positioning (VLP), waarbij bestaande LED-verlichting ook dient voor plaatsbepaling. In dit onderzoek wordt aangetoond dat eenvoudige lichtsensoren (fotodiodes), gecombineerd met machine learning, voldoende informatie bieden voor nauwkeurige positionering. In plaats van uitsluitend theoretische modellen te gebruiken, leert het systeem rechtstreeks uit gemeten data de relatie tussen lichtsignalen en positie. Verschillende leermethoden, waaronder neurale netwerken, worden toegepast om complexe en niet-lineaire verbanden te modelleren. Een belangrijk onderdeel is temporele modellering, waarbij opeenvolgende metingen in de tijd worden benut om beweging te volgen en de nauwkeurigheid te verbeteren. Daarnaast worden filtertechnieken gebruikt om ruis te verminderen en stabielere positie-inschattingen te verkrijgen. Ook wordt korte aandacht besteed aan Physics-Informed Neural Networks, die basisfysica integreren in het leerproces om de robuustheid te verhogen. De resultaten tonen aan dat deze gecombineerde aanpak leidt tot een betrouwbare en schaalbare oplossing voor indoorpositionering, met toepassingen in onder andere robotica, gezondheidszorg en slimme industriële omgevingen.
Praktisch
- Datum
- Maandag 28 september 2026, 16:00
- Locatie
- Auditorium P Jozef Plateau, Plateaustraat 22, 9000 Gent
- Livestream
- Volg online
Meeting ID: 334 838 575 610 715 Passcode: YQ7fr6kY
Meer info
- Contact
- doctoraat.ea@ugent.be