Figura 1:Arquitetura do sistema. Crédito:IBM
Em terminais modernos de aeroportos, complexos hospitalares, prédios de escritórios, arenas esportivas, campus universitários, e lojas de varejo, há um mercado crescente para aplicativos convenientes e fáceis de usar para navegar em ambientes internos. Com uma taxa de crescimento esperada de 30% até 2022, de acordo com um relatório MarketWatch, essa demanda é acelerada pela presença de sensores avançados em smartphones modernos, como magnetômetros, acelerômetros, e giroscópios. Para atender a demanda, nossa equipe na IBM Research-Ireland construiu um sistema de posicionamento interno pronto para produção que é mais preciso do que uma solução comercial existente em diferentes modelos de smartphone.
Nossa autoaprendizagem, plataforma adaptativa usa uma implantação mínima de beacons Bluetooth de baixa energia (BLE) para inferir as viagens dos usuários, em seguida, aprenda e, eventualmente, crie mapas magnéticos personalizados para cada modelo de smartphone para uma área interna específica. Nosso novo sistema oferece uma precisão de posicionamento robusta que não faz parte do modelo do smartphone usado para impressão digital ou para posicionamento. Nós provamos experimentalmente, em nosso artigo recente, que nossa ferramenta fornece uma melhoria significativa da precisão em comparação com uma solução comercial estabelecida com base no posicionamento do campo magnético.
Sistemas de posicionamento interno de última geração potencializam sinais que estão frequentemente presentes em ambientes internos modernos, como beacons WiFi e BLE, já que os métodos de posicionamento externos que usam sinais GPS não são precisos o suficiente para serem eficazes na navegação interna. Um sistema de posicionamento interno deve ser capaz de detectar a posição de um usuário dentro de um edifício e fornecer instruções sobre como navegar dentro dele. Esses sistemas são usados em uma ampla variedade de casos, com seu design e implementação capazes de oferecer suporte a requisitos específicos do usuário. Por exemplo, em 2017, um sistema experimental de navegação por voz interno / externo de alta precisão para deficientes visuais foi construído e testado pela IBM Research-Tokyo.
Figura 2:Inferência de rota e aprendizagem. Crédito:IBM
A abordagem de campo magnético é um método de baixo custo que está ganhando popularidade, pois não requer instalação ou manutenção de sensor especializado, mas é ativado por sensores já presentes em smartphones. Contudo, As discrepâncias entre as diferentes leituras do sensor nos modelos de smartphone têm um forte impacto na precisão do posicionamento interno.
As abordagens existentes baseadas na abordagem do campo magnético requerem uma fase de impressão digital antes de disponibilizar o sistema para o usuário final. Durante este processo, o provedor de serviços é obrigado a usar um smartphone para coletar leituras do campo magnético de todas as áreas acessíveis para pedestres e criar um mapa anotado estático do espaço interno. Em cenários do mundo real, os usuários finais podem possuir um modelo de smartphone diferente daquele que foi usado para as impressões digitais. Em nosso trabalho, quantificamos as perdas de precisão que os sistemas de posicionamento interno sofrem como resultado.
Nosso sistema é adaptável e continuamente retreinado e, portanto, mantém alta precisão entre os usuários e diferentes modelos de smartphones. Nossa ideia era analisar as sessões de posicionamento dos usuários finais para aprimorar a base de conhecimento do nosso sistema para as leituras do campo magnético para os diferentes modelos de smartphones. Depois que o usuário sai do aplicativo de posicionamento interno do smartphone, processamos as leituras de sensor registradas em nossa infraestrutura de nuvem e tentamos reconstruir o caminho do usuário. Chamamos essa nova técnica de "inferência de rota" e é baseada em filtros de partículas e correspondência de formas. Isso nos permite adicionar novas camadas de informação aos mapas magnéticos da área. Como resultado, sessões de posicionamento subsequentes de usuários com o mesmo modelo de smartphone têm maior precisão.
Figura 3:Resultados experimentais mostrando melhora na precisão em 15 metros. Crédito:IBM
Nossa avaliação experimental da ferramenta mostra uma melhora significativa na precisão quando comparada com uma solução comercial líder baseada no posicionamento do campo magnético. Especificamente, melhora a precisão em comparação com alternativas comerciais em aproximadamente 15 metros em média. Essas descobertas foram recentemente apresentadas na Conferência Internacional de Posicionamento e Navegação Interior (IPIN) 2018).
Esta ferramenta de IA de autoaprendizagem pode fornecer uma solução de baixo custo para proprietários de instalações que não requerem nenhum retreinamento do sistema. Proprietários e operadores de instalações podem se beneficiar rapidamente com essa ferramenta, usando-a para tomar melhores decisões de planejamento, bem como fornecer uma experiência perfeita para seus usuários finais.
Com nossa ferramenta, encontrar uma sala de reunião ou mesa quente, correndo para um portão de embarque em um aeroporto, procurando uma sala de aula em um campus universitário, visitar um paciente ou comparecer a uma consulta em um hospital, ou mesmo localizar um produto em uma loja de varejo usando um smartphone pode ser mais rápido, mais fácil, e mais preciso.
Esta história foi republicada por cortesia da IBM Research. Leia a história original aqui.