Loading…
Analysis of wireless measurements and sensor data for autonomous mobility in industrial environments
Herlianto, Herdy
The following thesis contains an analysis of data from the Enway Campaign which was conducted in 2021 and offered as a bachelor’s thesis by Fraunhofer HHI. The Enway Campaign is part of the AI4Mobile research project that is funded by the Federal Ministry of Education and Research under the umbrella of the Artificial Intelligence in Communication Networks plan within the scope of the German Federal Government’s High-Tech Strategy. The project intends to develop methodologies that provide sustainable Quality of Service (QoS) prediction at high mobility by combining data from the entire mobile network with secondary data from vehicles, applications, or the environment. The result of this campaign which is in the form of several sets of wireless measurement and sensor data will be utilized for machine learning activities. In addition to that, the sensor data will be processed to create a clearance model that acts as the target prediction of the machine learning classifier. This thesis deals with analyzing sensor data to derive Line-of-Sight (LoS) prediction from the clearance model using the Fresnel Zone Clearance Model and also create a classifier for LoS prediction using machine learning classifiers such as Decision Tree, Random Forest, and Extreme Gradient Boosting (XGB) from the wireless measurement.
Die folgende Arbeit handelt es sich um eine Analyse von Daten der Enway-Kampagne, die im Jahr 2021 durchgeführt und als Bachelorarbeit vom Fraunhofer HHI angeboten wurde. Die Enway-Kampagne ist Teil des Forschungsprojekts AI4Mobile, das vom Bundesministerium für Bildung und Forschung (BMBF) unter dem Dach des Plans Künstliche Intelligenz in Kommunikationsnetzen im Rahmen der Hightech-Strategie der Bundesregierung gefördert wird. Das Projekt beabsichtigt, Methoden zu entwickeln, die eine nachhaltige QoS Vorhersage bei hoher Mobilität ermöglichen, indem Daten aus dem gesamten Mobilfunknetz mit Sekundärdaten aus Fahrzeugen, Anwendungen oder der Umgebung kombiniert werden. Das Ergebnis dieser Kampagne in Form mehrerer drahtloser Mess- und Sensordatensätze wird für maschinelle Lernaktivitäten verwendet. Darüber hinaus werden die Sensordaten verarbeitet, um ein Freiraummodell zu erstellen, das als Zielvorhersage des maschinell lernenden Klassifikators dient. Diese Bachelorarbeit befasst sich mit der Analyse von Sensordaten zur Ableitung der Sichtlinienvorhersage (LoS) aus dem Freiraummodell unter Verwendung des Fresnel Zonen Freiraummodells und der Erstellung eines Klassifikators für die Sichtlinienvorhersage (LoS) unter Verwendung von maschinell lernenden Klassifikatoren wie Decision Tree, Random Forest und XGB aus der drahtlosen Messung.
