Новая система, разработанная исследователями из Массачусетского технологического института и других местах помогает сети интеллектуальных устройств сотрудничают, чтобы найти свои позиции в среде, где GPS обычно не удается.
Сегодня “интернет вещей” — концепция-это довольно известная: миллиарды взаимосвязанных датчиков по всему миру, встроенные в бытовые предметы, оборудование и транспортные средства, или носили людей или животных, собирать и обмениваться данными различных приложений.
Новой концепцией, “локализации вещей” позволяет этим устройствам в смысл и доносить свою позицию. Эта возможность может быть полезной для мониторинга цепи поставок, автономная навигация, очень «умные» города, и даже формирование в режиме реального времени “живая карта” мира. Эксперты прогнозируют, что локализация вещей рынок увеличится к 2027 году до 128 миллиардов долларов.
Концепция опирается на точные методы локализации. Традиционные методы использовать спутники GPS или беспроводные сигналы разделена между устройствами, чтобы установить их относительные расстояния и позиции друг от друга. Но есть загвоздка: точность сильно страдает в тех местах, с отражающими поверхностями, препятствия, или другими помехами, например, внутри зданий, в подземных туннелях, или в “городских каньонах”, где высотных зданий фланг обе стороны улицы.
Исследователи из Массачусетского технологического института, Университета Феррары, баскский Центр прикладной математики (BCAM), и Университета Южной Калифорнии разработали систему, которая собирает информацию о местоположении даже в эти шумные, ГСП-отказано в местах. Появляется документ, описывающий систему в работе стандарта IEEE.
Когда устройства в сети, именуемые “узлами” общаться в беспроводном режиме в сигнал-воспрепятствование или “жесткой” среде, системе плавкие предохранители различных типов позиционной информации от изворотливых беспроводные сигналы, которыми обмениваются узлы, а также цифровых карт и инерциальных данных. При этом каждый узел считает информацию, связанную со все возможных мест называемой “мягкой информации” — в отношении всех других узлов. Система использует машинного обучения и методов, которые уменьшают габариты обрабатываемых данных, чтобы определить возможные позиции по измерениям и контекстуальных данных. Используя эту информацию, затем он отслеживает положение узла.
При моделировании жестких сценариях, система работает значительно лучше, чем традиционными методами. В частности, он последовательно выступал вблизи теоретического предела для точности локализации. Кроме того, как беспроводной среды становятся хуже, точность традиционных систем просел резко, а новый софт информационные системы осталась неизменной.
“Когда тяжело становится жестче, наша система поддерживает локализацию точный”, — говорит МЧС выиграть, профессор кафедры аэронавтики и астронавтики и Лаборатория информации и систем принятия решений (крышками), и руководитель беспроводные информационные сети и лабораторных наук. “В суровых беспроводных средах, у вас есть отблесков и отголосков, которые делают его гораздо более трудно получить точную информацию о местоположении. Такие места, как центр stata [на кампусе MIT] особенно сложны, потому что есть поверхностей, отражающих сигналы везде. Наш мягкий способ информация особенно действенными в таких суровых беспроводных средах”.
Присоединение выиграть на бумаге: Андреа Конти Университета Феррары; Сантьяго Mazuelas из BCAM; Стефания Бартолетти Университета Феррары; и Уильям Линдси Университета Южной Калифорнии.
Захват “мягкая информация”
В сети локализации, узлы, как правило, называют якорями или агентов. Анкеры узлов с известными координатами, таких как спутники GPS или беспроводные базовые станции. Агенты узлы, которые имеют неизвестные позиции — такие, как автономные машины, смартфоны или носимые устройства.
Для локализации, агенты могут использовать якоря в качестве опорных точек, или они могут обмениваться информацией с другими агентами ориентироваться. Что включает передачи беспроводных сигналов, которые поступают в приемник, несущих позиционную информацию. Мощность, угол и время прихода принимаемого сигнала, например, соотносить расстояния и ориентации между узлами.
Традиционные методы локализации извлечь одну особенность сигнала для оценки одного значения, например, расстояние или угол между двумя узлами. Точность локализации полностью зависит от точности этих негибких (или “жесткий”) значений, а точность, как было показано, чтобы уменьшить резко, как условиях сделать жестче.
Скажем, узел передает сигнал на другой узел, который 10 метров в здании с большим количеством отражающих поверхностей. Сигнал может скакать вокруг и добраться до принимающего узла в момент, соответствующий 13 метров. Традиционные методы, вероятно, назначить неверное расстояние как ценность.
На новой работе ученые решили попробовать использовать мягкую информации для локализации. Метод использует многие функции сигнала и контекстной информации для создания распределения вероятностей всех возможных расстояний, углов, и других показателей. “Это называется ‘мягкий’ информации, потому что мы не делаем никаких сложных решений о ценностях”, — говорит Конти.
Система занимает много образцов характеристики сигнала, включая его мощность, угол и время полета. Давай контекстные данные из внешних источников, таких как цифровые карты и модели, которые захватывают и предсказать, как узел движется.
Вернемся к предыдущему примеру: на основе первоначальной оценки времени сигнал прибытия, система по-прежнему возлагает большая вероятность, что узлы на расстоянии 13 метров. Но он присваивает небольшая вероятность, что они в 10 метрах друг от друга, основываясь на некоторые задержки или потери мощности сигнала. Как система предохранители другую информацию от окружающих узлов, он обновляет вероятность для каждого возможного значения. Например, это может пинг карте и видим, что макет комнаты показывает, маловероятно, что оба узла на расстоянии 13 метров. Объединив все обновленные сведения, он решает узел-это гораздо более вероятно, чтобы быть в положении, которое находится в 10 метрах.
“В конце концов, сделать, что маловероятные вопросы стоимости,” победа говорит. “Вместо того, чтобы дать определенное значение, я говорю вам, я действительно уверен, что тебе всего 13 метров, но там меньше вероятность, что ты еще ближе. Это дает дополнительную информацию, которая полезна при определении позиций узлов.”
Снижение сложности
Извлечение множество функций от сигналов, однако, приводит к данных, имеющих большие габариты, что может быть слишком сложной и неэффективной системы. Для того чтобы улучшить эффективность, исследователи свели все данные по сигнала в уменьшенной размерности и легко вычисляемы пространства.
Для этого они определили аспекты полученных сигналов, которые являются наиболее и наименее полезный для точного определения местоположения на основе “анализа главных компонент,” метод, который сохраняет наиболее полезные аспекты в многомерных наборов данных и выносливости, создание набора данных с уменьшенными габаритами. Если полученные осциллограммы содержат 100 измерений каждого образца, техника может сократить это число до, скажем, восьми.
Окончательное инноваций с использованием машинного обучения, чтобы выучить статистическая модель, описывающая возможные позиции по измерениям и контекстные данные. Эта модель работает в фоновом режиме, чтобы оценить, насколько этот сигнал-отскок может повлиять на измерения, помогая усовершенствовать точность системы.
Исследователи в настоящее время разрабатывают способы, чтобы использовать меньше энергии для работы с ограниченными ресурсами узлов, которые не могут передавать или вычислить всю необходимую информацию. Они также работают над доведением системы “устройство-бесплатно” локализации, где некоторые узлы не могут или не хотят делиться информацией. Это позволит использовать информацию о том, как сигналы обратного рассеяния от этих узлов, поэтому остальные узлы знают, что они существуют и где они находятся.
