Кіберфізична система для ідентифікації об’єктів міста з підтвердженням.
Автор: Бєлік Валерій Олексійович
Кваліфікаційний рівень: магістр
Спеціальність: Системне програмування
Інститут: Інститут комп'ютерних технологій, автоматики та метрології
Форма навчання: денна
Навчальний рік: 2021-2022 н.р.
Мова захисту: англійська
Анотація: Обєктом дослідження даної роботи є пробема орвєнтування користувача в великих містах. Сучасні системи не спроможні надавати точні результати визначення геолокації пристрою користувача через ряд проблем, що виникають в містах. Метою роботи є розробка кіберфізичної системи для ідентифікації обєктів міста з підтвердженням. Головним завданням даної системи є надати користувачу можливість точного та швидкого орієнтування в місті. В результаті виконання роботи, було проаналізовано сучасні проблеми та системи-аналоги. Було розроблено систему для виконання на пристроях з операційною системою Android згідно визначених умов. У роботі визначено, які системи вже існують та як можна їх вдосконалити. Також, було переглянуто особливості розробки систем з використанням геолокації та основні проблеми сучасних програм на прикладі системи Google Maps. У роботі описано технології та алгоритми, котрі необхідно використати для розробки та вирішення основних проблем. Переглянуто та описано базові технології, технології взаємодії з камерою пристрою, технології розпізнавання тексту, технології та алгоритми аналізу геолокації пристрою. Розглянуто особливості створення та налаштування проекту, особливості розробки функціоналу відслідковування положення користувача, функціоналу отримання та відображення відеопотоку камери, його розбиття на фрейми, з подальшою обробкою і розпізнаванням тексту. В даній роботі описана проблематика відслідковування геолокації в містах, яка полягає в неточності визначення геолокації пристрою в населених пунктах, що може бути спричиненим наступним: ? Міський каньйон: сигнали GPS відбиваються від високих будівель у міському середовищі, створюючи багатопроменеві сигнали. Це може призвести 3 до випадкових і значних помилок у даних про місцезнаходження. ? Wi-Fi і Bluetooth: ОС може повертати помилкові місцезнаходження з високою впевненістю, якщо висновки ґрунтуються на маршрутизаторах Wi-Fi або маяках Bluetooth, які нещодавно переміщені. ? Тунелі та підвали. Сигнали GPS та стільникові мережі можуть заглушатися, коли пристрій знаходиться в тунелі, підвалі, великій будівлі чи закритому просторі. ? Навколишнє середовище: погода та видимість відіграють роль у зниженні точності GPS. ? Режим низького заряду батареї: деякі пристрої вимикають GPS-датчики в режимі низького заряду батареї і спричиняють зниження точності на певний період часу. ? Нестабільні мережі: дані про переміщення повинні бути зібрані як часовий ряд, щоб урахувати перебої в мережі, які забороняють передачу даних на сервер. ? Окрім GPS, Wi-Fi та Bluetooth, операційна система використовує стільникову мережу для визначення місцезнаходження. Частою проблемою використання тріангуляції веж стільникового зв’язку для визначення місцезнаходження є те, що місцезнаходження мобільної вежі повертається як місцезнаходження пристрою. Зазвичай це відбувається, коли сигнал GPS слабкий, а користувач проходить повз вежу мобільного зв’язку. ? Початкове виправлення: коли пристрій увімкнено або місце розташування через деякий час увімкнено в новому місці, ОС потребує додаткового часу для створення початкового виправлення. Початкове виправлення може мати помилки, які вирішуються через кілька секунд, що призведе до викидів на початку. Так, як сучасні провідні системи не спроможні завадити виникненню проблеми неточності відстеження геолокації, необхідно розробити систему, яка б вико- 4 нувала дану функцію точно, а для цього необхідно використовувати сенсори пристроїв. Для обробки зображень та розпізнавання тексту використовується прикладний програмний інтерфейс MlKit. ML Kit надає системам для мобільних пристроїв можливість використання штучного інтелекту Google у потужному та простому у використанні пакеті. Вся обробка ML Kit відбувається на пристрої. Це робить його швидким і розблокує випадки використання в режимі реального часу, як-от обробку відео потоку камери. Він також працює в автономному режимі та може використовуватися для обробки зображень і тексту, які повинні залишатися на пристрої. ML Kit поєднує найкращі в своєму класі моделі машинного навчання з розширеними конвеєрами обробки та пропонує їх через простий у використанні прикладний програмний інтерфейс, щоб надати різноманітні потужні варіанти використання у розроблюваних програмах.