Um novo sistema desenvolvido por pesquisadores do MIT e de outros lugares ajuda redes de dispositivos inteligentes a cooperar para encontrar suas posições em ambientes onde o GPS geralmente falha.

Hoje, o conceito de "internet das coisas" é bastante conhecido:bilhões de sensores interconectados ao redor do mundo - embutidos em objetos do cotidiano, equipamento, e veículos, ou usado por humanos ou animais - colete e compartilhe dados para uma variedade de aplicações.

Um conceito emergente, a "localização das coisas, "permite que esses dispositivos detectem e comuniquem sua posição. Esse recurso pode ser útil no monitoramento da cadeia de suprimentos, navegação autônoma, cidades inteligentes altamente conectadas, e até mesmo formando um "mapa vivo" do mundo em tempo real. Os especialistas projetam que o mercado de localização de coisas crescerá para US $ 128 bilhões em 2027.

O conceito depende de técnicas de localização precisas. Os métodos tradicionais aproveitam os satélites GPS ou sinais sem fio compartilhados entre os dispositivos para estabelecer suas distâncias e posições relativas uns dos outros. Mas há um obstáculo:a precisão sofre muito em locais com superfícies reflexivas, obstruções, ou outros sinais de interferência, como dentro de edifícios, em túneis subterrâneos, ou em "desfiladeiros urbanos", onde edifícios altos flanqueiam os dois lados de uma rua.

Pesquisadores do MIT, a Universidade de Ferrara, o Centro Basco de Matemática Aplicada (BCAM), e a University of Southern California desenvolveram um sistema que captura informações de localização mesmo em ambientes barulhentos, Áreas com GPS negado. Um artigo descrevendo o sistema aparece no Processos do IEEE .

Quando os dispositivos estão em uma rede, chamados de "nós, "comunicar-se sem fio em uma obstrução de sinal, ou "severo, " ambiente, o sistema funde vários tipos de informações de posição de sinais sem fio duvidosos trocados entre os nós, bem como mapas digitais e dados inerciais. Ao fazer isso, cada nó considera as informações associadas a todas as localizações possíveis - chamadas de "informações soft" - em relação àquelas de todos os outros nós. O sistema aproveita técnicas de aprendizado de máquina e técnicas que reduzem as dimensões dos dados processados ​​para determinar as posições possíveis a partir de medições e dados contextuais. Usando essas informações, em seguida, ele aponta a posição do nó.

Em simulações de cenários adversos, o sistema opera significativamente melhor do que os métodos tradicionais. Notavelmente, teve um desempenho consistente próximo ao limite teórico para precisão de localização. Além disso, conforme o ambiente sem fio fica cada vez pior, a precisão dos sistemas tradicionais caiu drasticamente, enquanto o novo sistema baseado em informações soft se manteve estável.

"Quando o difícil fica mais difícil, nosso sistema mantém a localização precisa, "diz Moe Win, professor do Departamento de Aeronáutica e Astronáutica e do Laboratório de Sistemas de Informação e Decisão (LIDS), e chefe do Laboratório de Ciências de Rede e Informação Sem Fio. "Em ambientes sem fio hostis, você tem reflexos e ecos que tornam muito mais difícil obter informações de localização precisas. Lugares como o Stata Center [no campus do MIT] são particularmente desafiadores, porque existem superfícies refletindo sinais em todos os lugares. Nosso método de informação suave é particularmente robusto em tais ambientes sem fio hostis. "

Juntando-se a Win no papel estão:Andrea Conti, da Universidade de Ferrara; Santiago Mazuelas do BCAM; Stefania Bartoletti, da Universidade de Ferrara; e William C. Lindsey, da University of Southern California.

Capturando "informações soft"

Na localização da rede, os nós são geralmente chamados de âncoras ou agentes. Âncoras são nós com posições conhecidas, como satélites GPS ou estações base sem fio. Agentes são nós que têm posições desconhecidas, como carros autônomos, smartphones, ou wearables.

Para localizar, os agentes podem usar âncoras como pontos de referência, ou podem compartilhar informações com outros agentes para se orientar. Isso envolve a transmissão de sinais sem fio, que chegam ao receptor carregando informações de posição. O poder, ângulo, e tempo de chegada da forma de onda recebida, por exemplo, correlacionar com a distância e orientação entre os nós.

Os métodos de localização tradicionais extraem um recurso do sinal para estimar um único valor para, dizer, a distância ou ângulo entre dois nós. A precisão da localização depende inteiramente da precisão desses valores inflexíveis (ou "rígidos"), e foi demonstrado que a precisão diminui drasticamente à medida que os ambientes ficam mais hostis.

Digamos que um nó transmita um sinal para outro nó que está a 10 metros de distância em um prédio com muitas superfícies reflexivas. O sinal pode saltar e alcançar o nó receptor em um momento correspondente a 13 metros de distância. Os métodos tradicionais provavelmente atribuem essa distância incorreta como um valor.

Para o novo trabalho, os pesquisadores decidiram tentar usar soft information para localização. O método aproveita muitos recursos de sinal e informações contextuais para criar uma distribuição de probabilidade de todas as distâncias possíveis, ângulos, e outras métricas. "É chamado de 'informação suave' porque não fazemos nenhuma escolha difícil sobre os valores, "Conti diz.

O sistema faz muitas medições de amostra de recursos de sinal, incluindo seu poder, ângulo, e tempo de vôo. Os dados contextuais vêm de fontes externas, como mapas e modelos digitais que capturam e predizem como o nó se move.

De volta ao exemplo anterior:Com base na medição inicial do tempo de chegada do sinal, o sistema ainda atribui uma alta probabilidade de que os nós estejam separados por 13 metros. Mas atribui uma pequena possibilidade de que eles estejam a 10 metros de distância, com base em algum atraso ou perda de energia do sinal. À medida que o sistema funde todas as outras informações dos nós circundantes, ele atualiza a probabilidade de cada valor possível. Por exemplo, ele poderia fazer ping em um mapa e ver que o layout da sala mostra que é altamente improvável que os dois nós estejam separados por 13 metros. Combinando todas as informações atualizadas, ele decide que o nó tem muito mais probabilidade de estar na posição que está a 10 metros de distância.

"No fim, manter esse valor de baixa probabilidade é importante, "Win diz." Em vez de dar um valor definitivo, Estou dizendo que estou muito confiante de que você está a 13 metros de distância, mas há uma possibilidade menor de você também estar mais perto. Isso fornece informações adicionais que se beneficiam significativamente na determinação das posições dos nós. "

Reduzindo a complexidade

Extraindo muitos recursos de sinais, Contudo, leva a dados com grandes dimensões que podem ser muito complexos e ineficientes para o sistema. Para melhorar a eficiência, os pesquisadores reduziram todos os dados de sinal em um espaço de dimensão reduzida e facilmente computável.

Para fazer isso, eles identificaram aspectos das formas de onda recebidas que são os mais e menos úteis para identificar a localização com base na "análise de componente principal, "uma técnica que mantém os aspectos mais úteis em conjuntos de dados multidimensionais e descarta o resto, criando um conjunto de dados com dimensões reduzidas. Se as formas de onda recebidas contiverem 100 medições de amostra cada, a técnica pode reduzir esse número para, dizer, oito.

Uma inovação final foi usar técnicas de aprendizado de máquina para aprender um modelo estatístico que descreve posições possíveis a partir de medições e dados contextuais. Esse modelo é executado em segundo plano para medir como o salto do sinal pode afetar as medições, ajudando a refinar ainda mais a precisão do sistema.

Os pesquisadores agora estão projetando maneiras de usar menos poder de computação para trabalhar com nós sem recursos que não podem transmitir ou computar todas as informações necessárias. Eles também estão trabalhando para trazer o sistema para uma localização "livre de dispositivo", onde alguns dos nós não podem ou não querem compartilhar informações. Isso usará informações sobre como os sinais são retroespalhados para fora desses nós, para que outros nós saibam que eles existem e onde estão localizados.

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.