Un nouveau système développé par des chercheurs du MIT et d'ailleurs aide les réseaux d'appareils intelligents à coopérer pour trouver leurs positions dans des environnements où le GPS échoue généralement.

Aujourd'hui, le concept d'« internet des objets » est assez connu :des milliards de capteurs interconnectés dans le monde, intégrés dans des objets du quotidien, équipement, et véhicules, ou portés par des humains ou des animaux - collectez et partagez des données pour une gamme d'applications.

Un concept émergent, la « localisation des choses, " permet à ces appareils de détecter et de communiquer leur position. Cette capacité pourrait être utile dans la surveillance de la chaîne d'approvisionnement, navigation autonome, des villes intelligentes hautement connectées, et même former une "carte vivante" en temps réel du monde. Les experts prévoient que le marché de la localisation des objets atteindra 128 milliards de dollars d'ici 2027.

Le concept repose sur des techniques de localisation précises. Les méthodes traditionnelles exploitent les satellites GPS ou les signaux sans fil partagés entre les appareils pour établir leurs distances et positions relatives les uns par rapport aux autres. Mais il y a un hic :la précision souffre grandement dans les endroits avec des surfaces réfléchissantes, obstacles, ou d'autres signaux parasites, comme à l'intérieur des bâtiments, dans les tunnels souterrains, ou dans les "canyons urbains" où de hauts immeubles flanquent les deux côtés d'une rue.

Des chercheurs du MIT, l'Université de Ferrare, le Centre Basque de Mathématiques Appliquées (BCAM), et l'Université de Californie du Sud ont développé un système qui capture les informations de localisation même dans ces zones bruyantes, Zones interdites au GPS. Un document décrivant le système apparaît dans le Actes de l'IEEE .

Lorsque des appareils dans un réseau, appelé "nœuds, " communiquer sans fil dans un signal obstruant, ou "dur, " environnement, le système fusionne divers types d'informations de position à partir de signaux sans fil douteux échangés entre les nœuds, ainsi que des cartes numériques et des données inertielles. Ce faisant, chaque nœud considère les informations associées à tous les emplacements possibles - appelées « informations générales » - par rapport à celles de tous les autres nœuds. Le système exploite des techniques d'apprentissage automatique et des techniques qui réduisent les dimensions des données traitées pour déterminer les positions possibles à partir de mesures et de données contextuelles. En utilisant ces informations, il localise ensuite la position du nœud.

Dans les simulations de scénarios difficiles, le système fonctionne nettement mieux que les méthodes traditionnelles. Notamment, il a toujours fonctionné près de la limite théorique de précision de localisation. De plus, alors que l'environnement sans fil s'aggravait de plus en plus, La précision des systèmes traditionnels a chuté de façon spectaculaire tandis que le nouveau système basé sur l'information souple est resté stable.

"Quand les durs deviennent plus durs, notre système maintient la localisation précise, " dit Moe Win, professeur au Département d'aéronautique et d'astronautique et au Laboratoire des systèmes d'information et de décision (LIDS), et chef du Laboratoire des sciences de l'information et des réseaux sans fil. "Dans des environnements sans fil difficiles, vous avez des reflets et des échos qui rendent beaucoup plus difficile l'obtention d'informations de localisation précises. Des endroits comme le Stata Center [sur le campus du MIT] sont particulièrement difficiles, car il y a des surfaces réfléchissant les signaux partout. Notre méthode d'information douce est particulièrement robuste dans des environnements sans fil aussi difficiles."

Rejoindre Win sur le papier sont:Andrea Conti de l'Université de Ferrara; Santiago Mazuelas de BCAM; Stefania Bartoletti de l'Université de Ferrare; et William C. Lindsey de l'Université de Californie du Sud.

Capturer des "informations douces"

En localisation réseau, les nœuds sont généralement appelés ancres ou agents. Les ancres sont des nœuds avec des positions connues, comme les satellites GPS ou les stations de base sans fil. Les agents sont des nœuds qui ont des positions inconnues, comme les voitures autonomes, smartphone, ou portables.

Pour localiser, les agents peuvent utiliser des ancres comme points de référence, ou ils peuvent partager des informations avec d'autres agents pour s'orienter. Cela implique la transmission de signaux sans fil, qui arrivent au récepteur transportant des informations de position. La puissance, angle, et l'heure d'arrivée de la forme d'onde reçue, par exemple, en corrélation avec la distance et l'orientation entre les nœuds.

Les méthodes de localisation traditionnelles extraient une caractéristique du signal pour estimer une valeur unique pour, dire, la distance ou l'angle entre deux nœuds. La précision de la localisation repose entièrement sur la précision de ces valeurs inflexibles (ou « dures »), et il a été démontré que la précision diminue considérablement à mesure que les environnements deviennent plus difficiles.

Supposons qu'un nœud transmette un signal à un autre nœud situé à 10 mètres dans un bâtiment comportant de nombreuses surfaces réfléchissantes. Le signal peut rebondir et atteindre le nœud de réception à un moment correspondant à 13 mètres de distance. Les méthodes traditionnelles attribueraient probablement cette distance incorrecte comme valeur.

Pour le nouveau travail, les chercheurs ont décidé d'essayer d'utiliser des informations douces pour la localisation. La méthode exploite de nombreuses caractéristiques de signal et des informations contextuelles pour créer une distribution de probabilité de toutes les distances possibles, angles, et d'autres métriques. "C'est ce qu'on appelle 'l'information douce' parce que nous ne faisons pas de choix difficiles sur les valeurs, " dit Conti.

Le système prend de nombreuses mesures d'échantillons des caractéristiques du signal, y compris sa puissance, angle, et l'heure du vol. Les données contextuelles proviennent de sources externes, tels que des cartes et des modèles numériques qui capturent et prédisent comment le nœud se déplace.

Retour à l'exemple précédent :Sur la base de la mesure initiale de l'heure d'arrivée du signal, le système attribue toujours une forte probabilité que les nœuds soient distants de 13 mètres. Mais il attribue une petite possibilité qu'ils soient à 10 mètres l'un de l'autre, sur la base d'un certain retard ou d'une perte de puissance du signal. Comme le système fusionne toutes les autres informations des nœuds environnants, il met à jour la vraisemblance pour chaque valeur possible. Par exemple, il pourrait envoyer un ping sur une carte et voir que la disposition de la pièce montre qu'il est hautement improbable que les deux nœuds soient distants de 13 mètres. En combinant toutes les informations mises à jour, il décide que le nœud est beaucoup plus susceptible d'être dans la position qui se trouve à 10 mètres.

"À la fin, garder cette valeur à faible probabilité compte, " dit Win. " Au lieu de donner une valeur définie, Je te dis que je suis vraiment sûr que tu es à 13 mètres, mais il y a une plus petite possibilité que vous soyez également plus proche. Cela donne des informations supplémentaires qui profitent considérablement à la détermination des positions des nœuds."

Réduire la complexité

Extraire de nombreuses caractéristiques des signaux, cependant, conduit à des données de grandes dimensions qui peuvent être trop complexes et inefficaces pour le système. Pour améliorer l'efficacité, les chercheurs ont réduit toutes les données de signal dans un espace de dimension réduite et facilement calculable.

Faire cela, ils ont identifié les aspects des formes d'onde reçues qui sont les plus et les moins utiles pour localiser l'emplacement sur la base de « l'analyse en composantes principales, " une technique qui conserve les aspects les plus utiles dans des jeux de données multidimensionnels et rejette le reste, créer un jeu de données avec des dimensions réduites. Si les formes d'onde reçues contiennent chacune 100 mesures d'échantillon, la technique pourrait réduire ce nombre à, dire, huit.

Une dernière innovation consistait à utiliser des techniques d'apprentissage automatique pour apprendre un modèle statistique décrivant les positions possibles à partir de mesures et de données contextuelles. Ce modèle fonctionne en arrière-plan pour mesurer comment ce rebond de signal peut affecter les mesures, aider à affiner davantage la précision du système.

Les chercheurs conçoivent maintenant des moyens d'utiliser moins de puissance de calcul pour travailler avec des nœuds à court de ressources qui ne peuvent pas transmettre ou calculer toutes les informations nécessaires. Ils travaillent également à amener le système à une localisation "sans périphérique", où certains nœuds ne peuvent pas ou ne veulent pas partager d'informations. Cela utilisera des informations sur la façon dont les signaux sont rétrodiffusés sur ces nœuds, afin que les autres nœuds sachent qu'ils existent et où ils se trouvent.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.