@phdthesis{01JW8K8JEFQ2N8D7EN2VAHQM6Y,
  abstract     = {{Draadloze communicatie wordt steeds belangrijker, maar ondervindt hinder door een veranderende omgeving. Dit onderzoek toont hoe die beperkingen kunnen worden aangepakt voor twee technologieën: satellietcommunicatie en ultra-wideband (UWB) voor indoor plaatsbepaling.

Voor satellietcommunicatie werd reinforcement learning gebruikt om veiligheidsmarges automatisch en in real-time te optimaliseren. Dat leidt tot hogere datasnelheden en minder fouten, zonder menselijke tussenkomst.

Indoor gebruiken we steeds vaker UWB-chips (ze zitten al in heel wat smartphones) om bijvoorbeeld robots, heftrucks of patiënten tot op enkele centimeters nauwkeurig te volgen. Helaas kunnen muren, mensen en metalen obstakels het signaal verstoren. Daarom zijn vier AI-oplossingen ontwikkeld die zich automatisch aanpassen aan zulke lastige omgevingen: (1) selectie van optimale transmissieparameters op basis van de omgeving, (2) foutcorrectie bij afstandsmetingen zonder gelabelde data, (3) plaatsbepaling via radiosignaal-vingerafdrukken met een efficiënt transformer-netwerk, en (4) nauwkeurige positionering wanneer meerdere UWB-sensoren samenwerken. Alle methoden functioneren met weinig of zelfs geen vooraf verzamelde data.

Deze bijdragen tonen hoe AI draadloze systemen robuuster, energiezuiniger en toegankelijker maakt. Dit is een belangrijke stap richting betrouwbare communicatie en nauwkeurige locatiebepaling, voor iedereen en overal.}},
  author       = {{Coppens, Dieter}},
  isbn         = {{9789463559867}},
  language     = {{eng}},
  pages        = {{XXXIII, 213}},
  publisher    = {{Ghent University. Faculty of Engineering and Architecture}},
  school       = {{Ghent University}},
  title        = {{Efficient wireless communication and localization through self-adaptation to new network conditions}},
  year         = {{2025}},
}