Un nuevo sistema ayuda al posicionamiento sin GPS de los dispositivos conectados a una red incluso en áreas ruidosas, compartiendo su ubicación. Este nuevo sistema desarrollado por investigadores del MIT y de otros centros ayuda a las redes de dispositivos inteligentes a cooperar para encontrar sus posiciones en entornos donde el GPS generalmente falla.
De Internet of Things a la «Localización de las Cosas»
Gracias a Internet de las Cosas miles de millones de sensores interconectados en todo el mundo, incrustados en objetos, equipos y vehículos cotidianos, o usados por humanos o animales, recopilan y comparten datos para una variedad de aplicaciones.
Un concepto emergente, la «localización de las cosas«, permite que esos dispositivos perciban y comuniquen su posición.
Esta capacidad podría ser útil para el monitoreo de la cadena de suministro, la navegación autónoma, las ciudades inteligentes altamente conectadas e incluso para formar un «mapa viviente» del mundo en tiempo real. Los expertos proyectan que el mercado de localización de cosas crecerá a 128 mil millones de dólares para 2027.
El concepto depende de técnicas precisas de localización. 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 dentro 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 la información de ubicación incluso en estas áreas ruidosas, sin GPS. Un documento que describe el sistema aparece en las Actas del IEEE .
Cuando los dispositivos en una red, llamados «nodos», se comunican de forma inalámbrica en un entorno que obstruye la señal o es «hostil», el sistema fusiona varios tipos de información posicional de señales inalámbricas poco fiables intercambiadas entre los nodos, así como mapas digitales y datos inerciales. Al hacerlo, cada nodo considera la información asociada con todas las ubicaciones posibles, denominada «información flexible», en relación con las de todos los demás nodos. El sistema aprovecha las técnicas de aprendizaje automático y las técnicas que reducen las dimensiones de los datos procesados para determinar las posibles posiciones de las mediciones y los datos contextuales. Usando esa información, señala la posición del nodo.
En simulaciones de escenarios difíciles, el sistema funciona significativamente mejor que los métodos tradicionales.
Se realizó de forma notable y consistentemente cerca del límite teórico para la precisión de localización. Además, a medida que el entorno inalámbrico empeoraba cada vez más, la precisión de los sistemas tradicionales se redujo drásticamente mientras que el nuevo sistema de posicionamiento basado en información flexible se mantuvo estable.
«Cuando lo difícil se vuelve más difícil, nuestro sistema mantiene la localización precisa», dice Moe Win, profesor en el Departamento de Aeronáutica y Astronáutica y el Laboratorio de Sistemas de Información y Decisión (LIDS), y jefe del Laboratorio de Información Inalámbrica y Ciencias de Redes. “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 flexible es particularmente robusto en entornos inalámbricos tan duros «.
Uniéndose 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 suave»
En la localización de redes, los nodos generalmente se denominan anclajes (anchors) o agentes. Las anclas 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 dispositivos portátiles.
Para localizar, los agentes pueden usar anclas como puntos de referencia, o pueden compartir información con otros agentes para orientarse. Eso implica transmitir señales inalámbricas, que llegan al receptor llevando información posicional.
La potencia, el ángulo y el tiempo de llegada de la forma de onda recibida, por ejemplo, se correlacionan con la distancia y la orientación entre los nodos.
Los métodos de localización tradicionales extraen una característica de la señal para estimar un solo valor para, por ejemplo, la distancia o ángulo entre dos nodos. La precisión de 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 alcanzar el nodo receptor en un momento correspondiente a 13 metros de distancia. Los métodos tradicionales probablemente asignarían esa distancia incorrecta como un valor.
Para el nuevo trabajo, los investigadores decidieron intentar usar información flexible para la localización. El método aprovecha muchas características de señal e información contextual para crear una distribución de probabilidad de todas las distancias, ángulos y otras métricas posibles.
«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, incluida su potencia, ángulo y tiempo de vuelo. Los datos contextuales provienen de fuentes externas, como mapas digitales y modelos que capturan y predicen cómo se mueve el nodo.
Volviendo al ejemplo anterior: según la medición inicial del tiempo 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, en función de algún retraso o pérdida de potencia de la señal. A medida que el sistema fusiona toda la otra 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 sala muestra que es muy poco probable que ambos nodos estén separados por 13 metros. Al combinar toda la información actualizada, decide que el nodo tiene muchas más probabilidades de estar en la posición que está a 10 metros de distancia.
«Al final, mantener ese valor de baja probabilidad es importante», 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 proporciona información adicional que se beneficia significativamente al determinar las posiciones de los nodos «.
Reducción de la complejidad.
Sin embargo, extraer muchas características de las señales conduce a datos con grandes dimensiones que pueden ser demasiado complejos e ineficientes para el sistema. Para mejorar la eficiencia, los investigadores redujeron todos los datos de la señal en un espacio de dimensión reducida y fácilmente computable.
Para hacerlo, identificaron aspectos de las formas de onda recibidas que son los más y menos útiles para identificar 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 una reducción dimensiones. Si las formas de onda recibidas contienen 100 mediciones de muestra cada una, la técnica podría reducir ese número a, digamos, ocho.
Una innovación final fue utilizar técnicas de aprendizaje automático para aprender un modelo estadístico que describa 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, lo que ayuda a refinar aún más la precisión del sistema.
Los investigadores ahora están diseñando formas de usar menos poder de cálculo para trabajar con nodos con recursos limitados que no pueden transmitir o calcular toda la información necesaria. También están trabajando para llevar el sistema a una localización «sin dispositivo», donde algunos de los nodos no pueden o no quieren compartir información. Esto utilizará información sobre cómo las señales se retrodispersan de estos nodos, para que otros nodos sepan que existen y dónde se encuentran.
Fuente: MIT News