Käesolev doktoritöö esitleb uuenduslikke meetodeid ülilairiba (Ultra-Wideband, UWB) ja globaalse satelliitnavigatsioonisüsteemi (Global Navigation Satellite System, GNSS) tehnoloogiatel põhinevate süsteemide positsioneerimistäpsuse parandamisel. Masinõppel (Machine Learning, ML) põhinevad mudelid rakendavad UWB ja GNSS sensoritest kogutud informatsiooni mõõtemääramatuse hindamiseks, mis on oluline komponent lõpp-koordinaadi filtreerimisel. Lõppkoordinaat arvutatakse mudeli prognoosi ja filtreerimise tulemusena, vähendades erindite (outlier) mõju ning parandades üldist koordinaadi täpsust ja punktipilve hajuvust.
Antud doktoritöös uuriti võimalusi UWB ja GNSS tehnoloogial põhinevate positsioneerimissüsteemide positsioneerimistäpsuse parandamiseks erinevate masinõppe meetoditega. Teostatud uurimused ja katsete tulemused näitavad selget potentsiaali masinõppepõhisel lähenemisel, kus väljatöötatud mudelid suudavad määramatuse hindamisel arvestada mitmete positsioneerimistäpsust iseloomustavate teguritega. Edasised uuringud võiksid olla seotud ML mudelite täiustamisega ning ühendsüsteeme võiks täiendada ka teiste sensoritega (nt. inertsiaalandurid), parandades seeläbi positsioneerimise stabiilsust ja täpsust.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: täisprofessor tenuuris Muhammad Mahtab Alam ja vanemlektor Ivo Müürsepp (TalTech) ning Dr. Taavi Laadung (ELIKO)

Oponendid:

• professor Susana Sargento (Aveiro Ülikool, Portugal)
• professor Luca Reggiani (Milano Polütehnikum, Itaalia)