Koneoppiminen parantaa paikannuksen tarkkuutta, luotettavuutta ja yksityisyyttä
Image
Satelliittipaikannuksesta on tullut olennainen osa arkea, mutta se toimii yhä epäluotettavasti sisätiloissa ja tiiviissä kaupunkiympäristöissä, joissa korkeat rakennukset heikentävät signaalien etenemisen. Vaasan yliopistossa tarkastettavassa väitöskirjassaan Akpojoto Siemuri tutkii, miten mukautuva koneoppiminen ja kehittynyt sensorifuusio voivat parantaa paikannuksen tarkkuutta, toimintavarmuutta ja tehokkuutta.
Tarkka paikannus on monien yhteiskunnan keskeisten palvelujen perusta. Se tukee älypuhelinten navigointia, mahdollistaa tehokkaan logistiikan ja liikennejärjestelmät sekä on tärkeä apu hätätilanteissa, joissa jokaisella sekunnilla on väliä.
Korkeat rakennukset voivat kuitenkin estää satelliittisignaalit, ja sisätiloissa paikannus on usein epätarkkaa. Tämä näkyy käyttäjälle sijainnin äkillisinä hyppyinä tai tarkkuuden heikkenemisenä. Akpojoto Siemurin automaatiotekniikan alan tutkimus selvittää, miten koneoppiminen voidaan yhdistää älypuhelinten olemassa oleviin sensoreihin tarkan sijaintitiedon varmistamiseksi.
– Älypuhelimet ovat maailman yleisimpiä digilaitteita, joten niiden paikannusominaisuuksien parantaminen on tehokas tapa tukea älykkäitä kaupunkeja ja palveluita. Yhdistämällä satelliittinavigointijärjestelmät (GNSS), inertia-anturit ja ultralaajakaistateknologia voimme saavuttaa saumattoman paikannuksen sisä- ja ulkotilojen välillä, kertoo Siemuri.
Luotettava tekoäly suojaa tietoja ja säästää akkua
Väitöskirjassa tarkastellaan TinyML-teknologiaa eli koneoppimismalleja, jotka toimivat suoraan älypuhelimissa ja puettavissa laitteissa. Laitteessa tapahtuva koneoppiminen vähentää riippuvuutta pilvipalveluista, mikä vahvistaa käyttäjän yksityisyyden suojaa.
– Kun laskenta tapahtuu paikallisesti laitteessa, järjestelmän energiatehokkuus paranee. Samalla edistetään keskustelua luotettavasta ja vastuullisesta tekoälystä EU:n tekoälyasetuksen periaatteiden mukaisesti. Nämä mallit on suunniteltu kevyiksi, jolloin tarkempi paikannus ei kuluta akkua loppuun tai lyhennä sen käyttöikää, Siemuri selittää.
Tulevaisuudessa Siemuri näkee mahdollisuuksia hyödyntää koneoppimista matalan Maan kiertoradan satelliittien radanmäärityksessä, mikä voisi vahvistaa tulevaisuuden paikannusinfrastruktuureja.
– Koska nämä satelliitit kiertävät Maata lähempänä kuin perinteiset GNSS-satelliitit, niillä voi olla etuja signaalin voimakkuudessa ja paikannuksen toimintavarmuudessa. Yhdessä mukautuvien koneoppimismenetelmien kanssa ne voisivat parantaa paikannusta merkittävästi monimutkaisissa ympäristöissä, Siemuri sanoo.
Väitöskirja
Siemuri, Akpojoto (2026). Adaptive Localization Using Machine Learning: Models, Methods, and Applications. Acta Wasaensia 578. Väitöskirja. Vaasan yliopisto.
Väitöstilaisuus
DI Akpojoto Siemurin väitöstutkimus ”Adaptive Localization Using Machine Learning: Models, Methods, and Applications” tarkastetaan maanantaina 23.3.2026 klo 12 Vaasan yliopiston Nissi-auditoriossa.
Väitöstilaisuutta on mahdollista seurata myös etäyhteyden kautta:
https://uwasa.zoom.us/j/64043025696?pwd=KpqiUrGMsW6iMghp12fu4z5tZMH9R4.1
Password: 458632
Vastaväittäjänä tilaisuudessa toimii professori Johan Lilius (Åbo Akademi) ja kustoksena professori Mohammed Elmusrati.
Tietolaatikko
Lisätiedot
Akpojoto Siemuri, p. 046 951 3709, akpo.siemuri@gmail.com
Akpojoto Siemuri on syntynyt Nigeriassa vuonna 1985. Hän on suorittanut kandidaatin tutkinnon Federal University of Technologyssa Nigeriassa sekä tekniikan maisterin tutkinnon (Wireless Industrial Automation) Vaasan yliopistossa. Tällä hetkellä hän työskentelee oneNav Finland Oy:ssä.
Tilaa Vaasan yliopiston uutiskirje
Uutiskirje kokoaa yhteen Vaasan yliopiston ajankohtaiset uutiset tutkimuksen tuloksista, koulutuksesta sekä yhteistyöstä ja yhteiskunnallisesta vaikuttamisesta. Pysy kanssamme kehityksen eturintamassa.