Wetenschap
Een systeem dat is ontworpen door onderzoekers van MIT en elders, stelt onderling verbonden slimme apparaten in staat om samen hun positie te bepalen in lawaaierige omgevingen waar GPS meestal niet werkt, wat handig is voor opkomende "lokalisatie-van-dingen" -toepassingen. Krediet:Christine Daniloff, MIT
Een nieuw systeem ontwikkeld door onderzoekers van MIT en elders helpt netwerken van slimme apparaten samen te werken om hun positie te vinden in omgevingen waar GPS meestal faalt.
Vandaag, het concept "internet of things" is redelijk bekend:miljarden onderling verbonden sensoren over de hele wereld - ingebed in alledaagse voorwerpen, apparatuur, en voertuigen, of gedragen door mensen of dieren - verzamel en deel gegevens voor een reeks toepassingen.
Een opkomend begrip, de "lokalisatie van dingen, " stelt die apparaten in staat hun positie te detecteren en te communiceren. Deze mogelijkheid kan nuttig zijn bij het bewaken van de toeleveringsketen, autonome navigatie, sterk verbonden slimme steden, en zelfs het vormen van een real-time "levende kaart" van de wereld. Experts voorspellen dat de markt voor lokalisatie van dingen in 2027 zal groeien tot 128 miljard dollar.
Het concept is gebaseerd op nauwkeurige lokalisatietechnieken. Traditionele methoden maken gebruik van GPS-satellieten of draadloze signalen die tussen apparaten worden gedeeld om hun relatieve afstanden en posities van elkaar vast te stellen. Maar er is een probleem:de nauwkeurigheid lijdt enorm op plaatsen met reflecterende oppervlakken, obstakels, of andere storende signalen, zoals binnen gebouwen, in ondergrondse tunnels, of in 'stedelijke canyons' waar hoge gebouwen aan weerszijden van een straat flankeren.
Onderzoekers van het MIT, de Universiteit van Ferrara, het Baskische Centrum voor Toegepaste Wiskunde (BCAM), en de University of Southern California hebben een systeem ontwikkeld dat locatie-informatie vastlegt, zelfs in deze lawaaierige, GPS-ontkende gebieden. Een paper waarin het systeem wordt beschreven, verschijnt in de Procedures van de IEEE .
Wanneer apparaten in een netwerk, genaamd "knooppunten, " draadloos communiceren in een signaalverstorende, of "hard, " omgeving, het systeem combineert verschillende soorten positie-informatie van onbetrouwbare draadloze signalen die tussen de knooppunten worden uitgewisseld, evenals digitale kaarten en traagheidsgegevens. Daarbij, elk knooppunt beschouwt informatie die is gekoppeld aan alle mogelijke locaties - "zachte informatie" genoemd - in relatie tot die van alle andere knooppunten. Het systeem maakt gebruik van machine learning-technieken en technieken die de afmetingen van verwerkte gegevens verkleinen om mogelijke posities te bepalen op basis van metingen en contextuele gegevens. Met behulp van die informatie, het bepaalt vervolgens de positie van het knooppunt.
In simulaties van harde scenario's, het systeem werkt aanzienlijk beter dan traditionele methoden. Opmerkelijk, het presteerde consequent in de buurt van de theoretische limiet voor lokalisatienauwkeurigheid. Bovendien, naarmate de draadloze omgeving steeds slechter werd, De nauwkeurigheid van traditionele systemen daalde dramatisch, terwijl het nieuwe, op zachte informatie gebaseerde systeem stabiel bleef.
"Als het moeilijke moeilijker wordt, ons systeem houdt de lokalisatie nauwkeurig, " zegt Moe Win, een professor in de afdeling Lucht- en Ruimtevaart en het Laboratorium voor Informatie- en Beslissystemen (LIDS), en hoofd van het Wireless Information and Network Sciences Laboratory. "In ruwe draadloze omgevingen, je hebt reflecties en echo's die het veel moeilijker maken om nauwkeurige locatie-informatie te krijgen. Plaatsen zoals het Stata Center [op de MIT-campus] zijn bijzonder uitdagend, omdat er overal oppervlakken zijn die signalen reflecteren. Onze zachte informatiemethode is bijzonder robuust in zulke ruwe draadloze omgevingen."
Deelnemen aan Win op het papier zijn:Andrea Conti van de Universiteit van Ferrara; Santiago Mazuelas van BCAM; Stefania Bartoletti van de Universiteit van Ferrara; en William C. Lindsey van de Universiteit van Zuid-Californië.
Vastleggen van "zachte informatie"
Bij netwerklokalisatie, knooppunten worden over het algemeen ankers of agenten genoemd. Ankers zijn knooppunten met bekende posities, zoals GPS-satellieten of draadloze basisstations. Agents zijn knooppunten met onbekende posities, zoals autonome auto's, smartphones, of wearables.
lokaliseren, agenten kunnen ankers als referentiepunten gebruiken, of ze kunnen informatie delen met andere agenten om zich te oriënteren. Dat omvat het verzenden van draadloze signalen, die bij de ontvanger aankomen met positie-informatie. De kracht, hoek, en aankomsttijd van de ontvangen golfvorm, bijvoorbeeld, correleren met de afstand en oriëntatie tussen knooppunten.
Traditionele lokalisatiemethoden extraheren één kenmerk van het signaal om een enkele waarde te schatten voor, zeggen, de afstand of hoek tussen twee knopen. Lokalisatienauwkeurigheid is volledig afhankelijk van de nauwkeurigheid van die inflexibele (of "harde") waarden, en nauwkeurigheid is aangetoond drastisch af te nemen naarmate omgevingen harder worden.
Stel dat een knooppunt een signaal verzendt naar een ander knooppunt op 10 meter afstand in een gebouw met veel reflecterende oppervlakken. Het signaal kan rondkaatsen en het ontvangende knooppunt bereiken op een tijdstip dat overeenkomt met 13 meter afstand. Traditionele methoden zouden die onjuiste afstand waarschijnlijk als een waarde toewijzen.
Voor het nieuwe werk de onderzoekers besloten om te proberen zachte informatie te gebruiken voor lokalisatie. De methode maakt gebruik van veel signaalkenmerken en contextuele informatie om een waarschijnlijkheidsverdeling van alle mogelijke afstanden te creëren, hoeken, en andere maatstaven. "Het wordt 'zachte informatie' genoemd omdat we geen harde keuzes maken over de waarden, ' zegt Conti.
Het systeem neemt veel voorbeeldmetingen van signaalkenmerken, inclusief zijn kracht, hoek, en vluchttijd. Contextuele gegevens komen uit externe bronnen, zoals digitale kaarten en modellen die vastleggen en voorspellen hoe het knooppunt beweegt.
Terug naar het vorige voorbeeld:Op basis van de eerste meting van de aankomsttijd van het signaal, het systeem kent nog steeds een hoge waarschijnlijkheid toe dat de knooppunten 13 meter uit elkaar liggen. Maar het wijst een kleine mogelijkheid toe dat ze 10 meter van elkaar verwijderd zijn, gebaseerd op enige vertraging of vermogensverlies van het signaal. Omdat het systeem alle andere informatie van omliggende knooppunten samenvoegt, het werkt de waarschijnlijkheid bij voor elke mogelijke waarde. Bijvoorbeeld, het zou een kaart kunnen pingen en zien dat de lay-out van de kamer laat zien dat het hoogst onwaarschijnlijk is dat beide knooppunten 13 meter uit elkaar liggen. Door alle bijgewerkte informatie te combineren, het besluit dat het knooppunt veel waarschijnlijker is in de positie die zich op 10 meter afstand bevindt.
"Uiteindelijk, het behouden van die lage waarschijnlijkheidswaarde, " zegt Win. "In plaats van een definitieve waarde te geven, Ik zeg je dat ik er zeker van ben dat je op 13 meter afstand bent, maar er is een kleinere kans dat je ook dichterbij bent. Dit geeft extra informatie die aanzienlijk ten goede komt bij het bepalen van de posities van de knooppunten."
Complexiteit verminderen
Extraheren van vele functies uit signalen, echter, leidt tot data met grote afmetingen die te complex en inefficiënt kunnen zijn voor het systeem. Om de efficiëntie te verbeteren, de onderzoekers reduceerden alle signaalgegevens tot een beperkte en gemakkelijk berekenbare ruimte.
Om dit te doen, ze identificeerden aspecten van de ontvangen golfvormen die het meest en het minst bruikbaar zijn voor het lokaliseren van de locatie op basis van "hoofdcomponentanalyse, " een techniek die de meest bruikbare aspecten in multidimensionale datasets bewaart en de rest weggooit, het creëren van een dataset met kleinere afmetingen. Als ontvangen golfvormen elk 100 voorbeeldmetingen bevatten, de techniek zou dat aantal kunnen verminderen tot, zeggen, acht.
Een laatste innovatie was het gebruik van machine learning-technieken om een statistisch model te leren dat mogelijke posities beschrijft uit metingen en contextuele gegevens. Dat model draait op de achtergrond om te meten hoe dat signaal stuiteren de metingen kan beïnvloeden, helpen om de nauwkeurigheid van het systeem verder te verfijnen.
De onderzoekers ontwerpen nu manieren om minder rekenkracht te gebruiken om te werken met knooppunten met beperkte middelen die niet alle benodigde informatie kunnen verzenden of berekenen. Ze werken er ook aan om het systeem naar "apparaatvrije" lokalisatie te brengen, waar sommige knooppunten geen informatie kunnen of willen delen. Dit zal informatie gebruiken over hoe de signalen worden terugverstrooid van deze knooppunten, zodat andere knooppunten weten dat ze bestaan en waar ze zich bevinden.
Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.
Wetenschap © https://nl.scienceaq.com