التوطين الداخلي المتين في أنظمة الاتصالات بالضوء المرئي (VLC) باستخدام التعلم الآلي: دراسة مقارنة تحت ظروف التغيرات البيئية
DOI:
https://doi.org/10.65419/albahit.v5i3.159الملخص
يشهد مجال تحديد المواقع داخل المباني (Indoor Localization) طلبًا متزايدًا نتيجة اتساع نطاق تطبيقاته في العديد من المجالات، مثل توجيه الروبوتات، أنظمة الملاحة الداخلية، الواقع الافتراضي، وتتبع الأصول والمعدات. ومع التطورات الحديثة في تقنيات الأجهزة ذات الحالة الصلبة، ظهرت تقنية الاتصالات بالضوء المرئي (Visible Light Communication - VLC) كحل واعد لتحقيق اتصالات عالية السرعة وتحديد دقيق للموقع داخل البيئات المغلقة، وذلك من خلال الاستفادة من البنية التحتية القائمة لمصابيح LED.
تقدم هذه الدراسة تقييمًا مقارنًا لخمس خوارزميات من تقنيات التعلم الآلي (Machine Learning - ML) لتقدير الموقع اعتمادًا على شدة الإشارة المستقبلة (Received Signal Strength - RSS) في أنظمة تحديد المواقع بالضوء المرئي (Visible Light Positioning - VLP). تم تحليل أداء النماذج في سيناريوهات ثابتة ومتحركة، ضمن بيئات خالية من الضوضاء وبيئات تحتوي على ضوضاء.
تم إنشاء نموذج محاكاة لبيئة داخلية بأبعاد 5 × 5 × 3 م³ تحتوي على شبكة إضاءة مكونة من 3 × 3 مصابيح LED. وشملت نماذج التعلم الآلي المستخدمة: الانحدار الخطي (Linear Regression - LR)، الغابة العشوائية (Random Forest)، خوارزمية أقرب الجيران (K-Nearest Neighbors - KNN)، انحدار آلة المتجهات الداعمة (Support Vector Regression - SVR)، والإدراك متعدد الطبقات (Multi-Layer Perceptron - MLP)، حيث تم تدريبها باستخدام بيانات RSS لتقدير موقع جسم داخل بيئة ثنائية الأبعاد.
تم تقييم أداء النماذج باستخدام مؤشرات قياس تشمل الجذر التربيعي لمتوسط مربع الخطأ (Root Mean Square Error - RMSE)، وزمن التدريب والتنفيذ، بالإضافة إلى خرائط الخطأ المكاني لتحديد دقة التوطين.
أظهرت نتائج المحاكاة أن نموذجي KNN و Random Forest حققا أداءً متميزًا في البيئات التي تحتوي على ضوضاء، كما بينت النتائج أن تقنيات التعلم الآلي توفر منهجية قوية وفعالة مقارنة بالطرق التحليلية التقليدية المستخدمة في أنظمة تحديد المواقع بالضوء المرئي.
تشمل الأعمال المستقبلية التحقق التجريبي من أداء النظام في البيئات الواقعية، بالإضافة إلى دراسة استخدام تقنيات التعلم العميق (Deep Learning) لتحسين دقة وموثوقية أنظمة التوطين الداخلي.
المراجع
[1] J. Singh, N. Tyagi, S. Singh, F. Ali, and D. Kwak, “A systematic review of contemporary indoor positioning systems: Taxonomy, techniques, and algorithms,” IEEE Internet of Things Journal, 2024.
[2] R. Wang, G. Niu, Q. Cao, C. S. Chen, and S.-W. Ho, “A survey of visible-light-communication-based indoor positioning systems,” Sensors, vol. 24, no. 16, p. 5197, 2024.
[3] Z. Zhu, Y. Yang, M. Chen, C. Guo, J. Cheng, and S. Cui, “A survey on indoor visible light positioning systems: Fundamentals, applications, and challenges,” IEEE Communications Surveys & Tutorials, 2024.
[4] S. Bastiaens, M. Alijani, W. Joseph, and D. Plets, “Visible light positioning as a next-generation indoor positioning technology: A tutorial,” IEEE Communications Surveys & Tutorials, 2024.
[5] M. Saadi, T. Ahmad, M. Kamran Saleem, and L. Wuttisittikulkij, “Visible light communication–an architectural perspective on the applications and data rate improvement strategies,” Transactions on emerging telecommunications technologies, vol. 30, no. 2, p. e3436, 2019.
[6] Q. Chen, F. Wang, B. Deng, L. Qin, and X. Hu, “Indoor visible light positioning system based on memristive convolutional neural network,” Optics Communications, vol. 577, p. 131340, 2025.
[7] M. Saadi, A. Bajpai, D. Z. Rodriguez, and L. Wuttisittikulkij, “Investigating the role of channel state information for mimo based visible light communication system,” in 2022 37th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC). IEEE, 2022, pp. 1–4.
[8] B. A. Vijayalakshmi, P. Gandhimathi, and M. Nesasudha, “Vlc channel characteristics and data transmission model in indoor environment for future communication: an overview,” Journal of Optics, vol. 53, no. 2, pp. 933–939, 2024.
[9] K. Zhang, Z. Zhang, and B. Zhu, “Beacon led coordinates estimator for easy deployment of visible light positioning systems,” IEEE Transactions on Wireless Communications, vol. 21, no. 12, pp. 10208–10223, 2022.
[10] H. Q. Tran and C. Ha, “Machine learning in indoor visible light positioning systems: A review,” Neurocomputing, vol. 491, pp. 117–131, 2022.
[11] N. Liu, L.-H. Hong, P. Feng, H.-N. Yang, and J.-Y. Wang, “Performance analysis for visible light communications with gaussian-plus-laplacian additive noise,” Telecommunication Systems, vol. 85, no. 3, pp. 373–387, 2024.
[12] T. O. Hodson, “Root mean square error (rmse) or mean absolute error (mae): When to use them or not,” Geoscientific Model Development Discussions, vol. 2022, pp. 1–10, 2022.
