Un sistema diseñado por investigadores del MIT y otros lugares permite que los dispositivos inteligentes interconectados identifiquen cooperativamente sus posiciones en entornos ruidosos donde el GPS generalmente falla. que es útil para aplicaciones emergentes de “localización de cosas”. Crédito:Christine Daniloff, MIT
Un nuevo sistema desarrollado por investigadores del MIT y otros lugares ayuda a las redes de dispositivos inteligentes a cooperar para encontrar sus posiciones en entornos donde el GPS generalmente falla.
Hoy dia, el concepto de "Internet de las cosas" es bastante conocido:miles de millones de sensores interconectados en todo el mundo, integrados en objetos cotidianos, equipo, y vehículos, o usado por humanos o animales:recopile y comparta datos para una variedad de aplicaciones.
Un concepto emergente, la "localización de las cosas, "permite que esos dispositivos detecten y comuniquen su posición. Esta capacidad podría ser útil en el monitoreo de la cadena de suministro, navegación autónoma, ciudades inteligentes altamente conectadas, e incluso formando un "mapa viviente" del mundo en tiempo real. Los expertos proyectan que el mercado de localización de cosas crecerá a $ 128 mil millones para 2027.
El concepto depende de técnicas de localización precisas. Los métodos tradicionales aprovechan los satélites GPS o las señales inalámbricas compartidas entre dispositivos para establecer sus distancias y posiciones relativas entre sí. Pero hay un inconveniente:la precisión sufre mucho en lugares con superficies reflectantes, obstrucciones, u otras señales interferentes, como el interior de edificios, en túneles subterráneos, o en "cañones urbanos" donde los edificios altos flanquean ambos lados de una calle.
Investigadores del MIT, la Universidad de Ferrara, el Centro Vasco de Matemática Aplicada (BCAM), y la Universidad del Sur de California han desarrollado un sistema que captura información de ubicación incluso en estos ruidosos Áreas sin GPS. Un documento que describe el sistema aparece en el Actas del IEEE .
Cuando los dispositivos en una red, llamados "nodos, "comunicarse de forma inalámbrica en una señal que obstruye, o "duro, " medio ambiente, el sistema fusiona varios tipos de información posicional de señales inalámbricas dudosas intercambiadas entre los nodos, así como mapas digitales y datos inerciales. Al hacerlo, cada nodo considera la información asociada con todas las ubicaciones posibles, llamada "información blanda", en relación con las de todos los demás nodos. El sistema aprovecha las técnicas y técnicas de aprendizaje automático que reducen las dimensiones de los datos procesados para determinar posibles posiciones a partir de mediciones y datos contextuales. Usando esa información, luego señala la posición del nodo.
En simulaciones de escenarios duros, el sistema funciona significativamente mejor que los métodos tradicionales. Notablemente, se desempeñó constantemente cerca del límite teórico de precisión de localización. Es más, a medida que el entorno inalámbrico empeoraba cada vez más, La precisión de los sistemas tradicionales se redujo drásticamente, mientras que el nuevo sistema basado en información blanda se mantuvo estable.
"Cuando lo difícil se vuelve más difícil, nuestro sistema mantiene la localización precisa, "dice Moe Win, profesor del Departamento de Aeronáutica y Astronáutica y del Laboratorio de Sistemas de Información y Decisión (LIDS), y jefe del Laboratorio de Ciencias de Redes e Información Inalámbrica. "En entornos inalámbricos hostiles, tiene reflejos y ecos que hacen que sea mucho más difícil obtener información de ubicación precisa. Lugares como el Stata Center [en el campus del MIT] son particularmente desafiantes, porque hay superficies que reflejan señales en todas partes. Nuestro método de información suave es particularmente sólido en entornos inalámbricos tan duros ".
Junto a Win en el papel están:Andrea Conti de la Universidad de Ferrara; Santiago Mazuelas de BCAM; Stefania Bartoletti de la Universidad de Ferrara; y William C. Lindsey de la Universidad del Sur de California.
Capturando "información blanda"
En la localización de redes, Los nodos generalmente se denominan anclajes o agentes. Los anclajes son nodos con posiciones conocidas, como satélites GPS o estaciones base inalámbricas. Los agentes son nodos que tienen posiciones desconocidas, como automóviles autónomos, teléfonos inteligentes, o wearables.
Para localizar, los agentes pueden utilizar anclas como puntos de referencia, o pueden compartir información con otros agentes para orientarse. Eso implica transmitir señales inalámbricas, que llegan al receptor con información posicional. El poder, ángulo, y hora de llegada de la forma de onda recibida, por ejemplo, correlacionar con la distancia y la orientación entre los nodos.
Los métodos de localización tradicionales extraen una característica de la señal para estimar un valor único para, decir, la distancia o el ángulo entre dos nodos. La precisión de la localización depende completamente de la precisión de esos valores inflexibles (o "duros"), y se ha demostrado que la precisión disminuye drásticamente a medida que los entornos se vuelven más duros.
Digamos que un nodo transmite una señal a otro nodo que está a 10 metros de distancia en un edificio con muchas superficies reflectantes. La señal puede rebotar y llegar al nodo receptor en un momento correspondiente a 13 metros de distancia. Los métodos tradicionales probablemente asignarían esa distancia incorrecta como valor.
Para el nuevo trabajo, los investigadores decidieron intentar utilizar información blanda para la localización. El método aprovecha muchas características de la señal e información contextual para crear una distribución de probabilidad de todas las distancias posibles, anglos, y otras métricas. "Se llama 'información blanda' porque no tomamos decisiones difíciles sobre los valores, "Dice Conti.
El sistema toma muchas medidas de muestra de las características de la señal, incluyendo su poder, ángulo, y tiempo de vuelo. Los datos contextuales provienen de fuentes externas, como mapas y modelos digitales que capturan y predicen cómo se mueve el nodo.
Volviendo al ejemplo anterior:Basado en la medición inicial de la hora de llegada de la señal, el sistema aún asigna una alta probabilidad de que los nodos estén separados por 13 metros. Pero asigna una pequeña posibilidad de que estén separados por 10 metros, basado en algún retraso o pérdida de potencia de la señal. A medida que el sistema fusiona toda la demás información de los nodos circundantes, actualiza la probabilidad de cada valor posible. Por ejemplo, podría hacer ping a un mapa y ver que el diseño de la habitación muestra que es muy poco probable que ambos nodos estén separados por 13 metros. Combinando toda la información actualizada, decide que es mucho más probable que el nodo esté en la posición que está a 10 metros de distancia.
"En el final, mantener ese valor de baja probabilidad importa, "Dice Win". En lugar de dar un valor definido, Te digo que estoy realmente seguro de que estás a 13 metros de distancia, pero hay una posibilidad menor de que también estés más cerca. Esto brinda información adicional que se beneficia significativamente al determinar las posiciones de los nodos ".
Reducir la complejidad
Extrayendo muchas características de las señales, sin embargo, conduce a datos de grandes dimensiones que pueden resultar demasiado complejos e ineficientes para el sistema. Para mejorar la eficiencia, los investigadores redujeron todos los datos de la señal a un espacio de dimensión reducida y fácilmente computable.
Para hacerlo identificaron aspectos de las formas de onda recibidas que son más y menos útiles para localizar la ubicación en función del "análisis de componentes principales, "una técnica que mantiene los aspectos más útiles en conjuntos de datos multidimensionales y descarta el resto, creando un conjunto de datos con dimensiones reducidas. Si las formas de onda recibidas contienen 100 mediciones de muestra cada una, la técnica podría reducir ese número a, decir, ocho.
Una última innovación fue el uso de técnicas de aprendizaje automático para aprender un modelo estadístico que describe posibles posiciones a partir de mediciones y datos contextuales. Ese modelo se ejecuta en segundo plano para medir cómo el rebote de la señal puede afectar las mediciones, ayudando a refinar aún más la precisión del sistema.
Los investigadores ahora están diseñando formas de utilizar menos potencia de cálculo para trabajar con nodos con pocos recursos que no pueden transmitir o calcular toda la información necesaria. También están trabajando para llevar el sistema a una localización "sin dispositivos", donde algunos de los nodos no pueden o no quieren compartir información. Esto utilizará información sobre cómo las señales se dispersan de estos nodos, para que otros nodos sepan que existen y dónde se encuentran.
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.