System hjælper smarte enheder med at finde deres position

Et nyt system udviklet af forskere ved MIT og andre steder hjælper netværk af smarte enheder til at samarbejde om at finde deres positioner i miljøer, hvor GPS normalt fejler.

I dag, "tingenes internet"-konceptet er ret velkendt:Milliarder af indbyrdes forbundne sensorer rundt om i verden – indlejret i hverdagsgenstande, udstyr, og køretøjer, eller båret af mennesker eller dyr – indsaml og del data til en række applikationer.

Et nyt koncept, "lokalisering af ting, " gør det muligt for disse enheder at registrere og kommunikere deres position. Denne funktion kan være nyttig i forbindelse med forsyningskædeovervågning, autonom navigation, meget forbundne smarte byer, og endda danne et "levende kort" over verden i realtid. Eksperter regner med, at lokaliseringsmarkedet vil vokse til 128 milliarder dollars i 2027.

Konceptet afhænger af præcise lokaliseringsteknikker. Traditionelle metoder udnytter GPS-satellitter eller trådløse signaler, der deles mellem enheder, til at fastslå deres relative afstande og positioner fra hinanden. Men der er en hage:Nøjagtigheden lider meget på steder med reflekterende overflader, forhindringer, eller andre forstyrrende signaler, såsom inde i bygninger, i underjordiske tunneler, eller i "urbane kløfter", hvor høje bygninger flankerer begge sider af en gade.

Forskere fra MIT, universitetet i Ferrara, det baskiske center for anvendt matematik (BCAM), og University of Southern California har udviklet et system, der fanger placeringsinformation selv i disse støjende, GPS-nægtede områder. Et papir, der beskriver systemet, vises i Proceduren for IEEE .

Når enheder i et netværk, kaldet "knuder, "kommunikerer trådløst i en signal-blokerende, eller "hård, " miljø, systemet fusionerer forskellige typer positionsinformation fra risikable trådløse signaler, der udveksles mellem noderne, samt digitale kort og inertidata. Derved, hver knude betragter information forbundet med alle mulige lokationer - kaldet "blød information" - i forhold til alle andre knudepunkter. Systemet udnytter maskinlæringsteknikker og -teknikker, der reducerer dimensionerne af behandlede data til at bestemme mulige positioner ud fra målinger og kontekstuelle data. Ved at bruge disse oplysninger, den lokaliserer derefter nodens position.

I simuleringer af barske scenarier, systemet fungerer betydeligt bedre end traditionelle metoder. Især den udførte konsekvent nær den teoretiske grænse for lokaliseringsnøjagtighed. I øvrigt, efterhånden som det trådløse miljø blev stadig værre, traditionelle systemers nøjagtighed faldt dramatisk, mens det nye bløde informationsbaserede system holdt stabilt.

"Når det hårde bliver hårdere, vores system holder lokalisering nøjagtig, " siger Moe Win, en professor ved Institut for Luftfart og Astronautik og Laboratoriet for Informations- og Beslutningssystemer (LIDS), og leder af Wireless Information and Network Sciences Laboratory. "I hårde trådløse miljøer, du har refleksioner og ekkoer, der gør det langt vanskeligere at få nøjagtige placeringsoplysninger. Steder som Stata Center [på MIT campus] er særligt udfordrende, fordi der er overflader, der reflekterer signaler overalt. Vores bløde informationsmetode er særlig robust i så barske trådløse miljøer."

Med Win på papiret er:Andrea Conti fra University of Ferrara; Santiago Mazuelas fra BCAM; Stefania Bartoletti fra University of Ferrara; og William C. Lindsey fra University of Southern California.

Indfangning af "blød information"

I netværkslokalisering, knudepunkter betegnes generelt som ankre eller agenter. Ankre er noder med kendte positioner, GPS-satellitter eller trådløse basestationer. Agenter er noder, der har ukendte positioner - såsom autonome biler, smartphones, eller wearables.

For at lokalisere, agenter kan bruge ankre som referencepunkter, eller de kan dele oplysninger med andre agenter for at orientere sig. Det indebærer transmission af trådløse signaler, som ankommer til modtageren med positionsinformation. Magten, vinkel, og tidspunktet for ankomst for den modtagne bølgeform, for eksempel, korrelerer med afstanden og orienteringen mellem noder.

Traditionelle lokaliseringsmetoder ekstraherer en funktion af signalet for at estimere en enkelt værdi for, sige, afstanden eller vinklen mellem to knudepunkter. Lokaliseringsnøjagtighed afhænger udelukkende af nøjagtigheden af ​​disse ufleksible (eller "hårde") værdier, og nøjagtigheden har vist sig at falde drastisk, efterhånden som miljøer bliver hårdere.

Lad os sige, at en knude sender et signal til en anden knude, der er 10 meter væk i en bygning med mange reflekterende overflader. Signalet kan hoppe rundt og nå den modtagende node på et tidspunkt svarende til 13 meter væk. Traditionelle metoder vil sandsynligvis tildele den forkerte afstand som en værdi.

Til det nye arbejde, forskerne besluttede at prøve at bruge blød information til lokalisering. Metoden udnytter mange signalegenskaber og kontekstuel information til at skabe en sandsynlighedsfordeling af alle mulige afstande, vinkler, og andre målinger. "Det kaldes 'blød information', fordi vi ikke træffer nogen svære valg om værdierne, " siger Conti.

Systemet tager mange prøvemålinger af signalfunktioner, herunder dens magt, vinkel, og flyvetidspunkt. Kontekstuelle data kommer fra eksterne kilder, såsom digitale kort og modeller, der fanger og forudsiger, hvordan noden bevæger sig.

Tilbage til det forrige eksempel:Baseret på den indledende måling af signalets ankomsttidspunkt, systemet tildeler stadig en høj sandsynlighed for, at knudepunkterne er 13 meter fra hinanden. Men det tildeler en lille mulighed for, at de er 10 meter fra hinanden, baseret på en vis forsinkelse eller strømtab af signalet. Da systemet fusionerer al anden information fra omgivende noder, den opdaterer sandsynligheden for hver mulig værdi. For eksempel, det kunne pinge et kort og se, at rummets layout viser, at det er meget usandsynligt, at begge knuder er 13 meter fra hinanden. Ved at kombinere alle de opdaterede oplysninger, det bestemmer, at noden er langt mere tilbøjelig til at være i den position, der er 10 meter væk.

"Til sidst, at bevare den lave sandsynlighedsværdi betyder noget, " siger Win. "I stedet for at give en bestemt værdi, Jeg siger dig, at jeg er virkelig sikker på, at du er 13 meter væk, men der er en mindre mulighed for, at du også er tættere på. Dette giver yderligere information, der gavner betydeligt ved bestemmelse af nodernes positioner."

Reducerer kompleksitet

Udtrække mange funktioner fra signaler, imidlertid, fører til data med store dimensioner, der kan være for komplekse og ineffektive for systemet. For at forbedre effektiviteten, forskerne reducerede alle signaldata til en reduceret dimension og let beregneligt rum.

For at gøre det, de identificerede aspekter af de modtagne bølgeformer, der er de mest og mindst nyttige til at lokalisere lokalisering baseret på "hovedkomponentanalyse, "en teknik, der bevarer de mest nyttige aspekter i multidimensionale datasæt og kasserer resten, oprettelse af et datasæt med reducerede dimensioner. Hvis modtagne bølgeformer indeholder 100 stikprøver hver, teknikken kan reducere dette tal til, sige, otte.

En sidste innovation var at bruge maskinlæringsteknikker til at lære en statistisk model, der beskriver mulige positioner fra målinger og kontekstuelle data. Den model kører i baggrunden for at måle, hvordan signalet kan påvirke målinger, med til at forfine systemets nøjagtighed yderligere.

Forskerne designer nu måder at bruge mindre regnekraft til at arbejde med ressourcebundne noder, der ikke kan transmittere eller beregne al nødvendig information. De arbejder også på at bringe systemet til en "enhedsfri" lokalisering, hvor nogle af noderne ikke kan eller vil dele information. Dette vil bruge information om, hvordan signalerne spredes tilbage fra disse noder, så andre noder ved, at de findes, og hvor de er placeret.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.