Ett nytt system utvecklat av forskare vid MIT och på andra håll hjälper nätverk av smarta enheter att samarbeta för att hitta sina positioner i miljöer där GPS vanligtvis misslyckas.

I dag, konceptet "sakernas internet" är ganska välkänt:miljarder sammankopplade sensorer runt om i världen – inbäddade i vardagliga föremål, Utrustning, och fordon, eller bärs av människor eller djur – samla in och dela data för en rad olika tillämpningar.

Ett framväxande koncept, "lokalisering av saker, " gör det möjligt för dessa enheter att känna av och kommunicera sin position. Denna förmåga kan vara till hjälp vid övervakning av försörjningskedjan, autonom navigering, starkt uppkopplade smarta städer, och till och med bildar en "levande karta" i realtid över världen. Experter räknar med att marknaden för lokalisering av saker kommer att växa till 128 miljarder dollar år 2027.

Konceptet bygger på exakta lokaliseringstekniker. Traditionella metoder utnyttjar GPS-satelliter eller trådlösa signaler som delas mellan enheter för att fastställa deras relativa avstånd och positioner från varandra. Men det finns en hake:Noggrannheten lider mycket på platser med reflekterande ytor, hinder, eller andra störande signaler, som inuti byggnader, i underjordiska tunnlar, eller i "urban canyons" där höga byggnader flankerar båda sidor av en gata.

Forskare från MIT, universitetet i Ferrara, det baskiska centret för tillämpad matematik (BCAM), och University of Southern California har utvecklat ett system som fångar platsinformation även i dessa bullriga, GPS-nekas områden. Ett papper som beskriver systemet visas i IEEE:s förfarande .

När enheter i ett nätverk, kallas "noder, "kommunicera trådlöst i en signalhämmande, eller "hård, "miljö, systemet förenar olika typer av positionsinformation från tvivelaktiga trådlösa signaler som utbyts mellan noderna, samt digitala kartor och tröghetsdata. Genom att göra så, varje nod tar hänsyn till information som är associerad med alla möjliga platser - kallad "mjuk information" - i förhållande till alla andra noder. Systemet utnyttjar maskininlärningstekniker och tekniker som reducerar dimensionerna av bearbetade data för att bestämma möjliga positioner från mätningar och kontextuella data. Med hjälp av den informationen, den pekar sedan ut nodens position.

I simuleringar av svåra scenarier, systemet fungerar betydligt bättre än traditionella metoder. I synnerhet, den presterade konsekvent nära den teoretiska gränsen för lokaliseringsnoggrannhet. Dessutom, i takt med att den trådlösa miljön blev allt värre, Traditionella systemens noggrannhet sjönk dramatiskt medan det nya mjuka informationsbaserade systemet höll sig stabilt.

"När det tuffa blir tuffare, vårt system håller lokaliseringen korrekt, " säger Moe Win, en professor vid institutionen för flyg- och astronautik och Laboratoriet för informations- och beslutssystem (LIDS), och chef för laboratoriet för trådlös information och nätverksvetenskap. "I tuffa trådlösa miljöer, du har reflektioner och ekon som gör det mycket svårare att få korrekt platsinformation. Platser som Stata Center [på MIT campus] är särskilt utmanande, eftersom det finns ytor som reflekterar signaler överallt. Vår mjuka informationsmetod är särskilt robust i så tuffa trådlösa miljöer."

Med Win på tidningen är:Andrea Conti från University of Ferrara; Santiago Mazuelas från BCAM; Stefania Bartoletti från University of Ferrara; och William C. Lindsey från University of Southern California.

Fånga "mjuk information"

I nätverkslokalisering, noder hänvisas i allmänhet till som ankare eller agenter. Ankare är noder med kända positioner, såsom GPS-satelliter eller trådlösa basstationer. Agenter är noder som har okända positioner – som autonoma bilar, smartphones, eller wearables.

För att lokalisera, agenter kan använda ankare som referenspunkter, eller de kan dela information med andra agenter för att orientera sig. Det innebär att sända trådlösa signaler, som anländer till mottagaren med positionsinformation. Kraften, vinkel, och ankomsttid för den mottagna vågformen, till exempel, korrelera med avståndet och orienteringen mellan noderna.

Traditionella lokaliseringsmetoder extraherar en funktion hos signalen för att uppskatta ett enda värde för, säga, avståndet eller vinkeln mellan två noder. Lokaliseringsnoggrannheten beror helt på noggrannheten hos dessa oflexibla (eller "hårda") värden, och noggrannheten har visat sig minska drastiskt när miljöerna blir hårdare.

Säg att en nod sänder en signal till en annan nod som är 10 meter bort i en byggnad med många reflekterande ytor. Signalen kan studsa runt och nå den mottagande noden vid en tidpunkt motsvarande 13 meter bort. Traditionella metoder skulle sannolikt tilldela det felaktiga avståndet som ett värde.

För det nya arbetet, forskarna bestämde sig för att försöka använda mjuk information för lokalisering. Metoden utnyttjar många signalfunktioner och kontextuell information för att skapa en sannolikhetsfördelning av alla möjliga avstånd, vinklar, och andra mätvärden. "Det kallas "mjuk information" eftersom vi inte gör några svåra val om värderingarna, säger Conti.

Systemet tar många provmätningar av signalfunktioner, inklusive dess kraft, vinkel, och tid för flygning. Kontextuella data kommer från externa källor, såsom digitala kartor och modeller som fångar och förutsäger hur noden rör sig.

Tillbaka till föregående exempel:Baserat på den initiala mätningen av signalens ankomsttid, systemet tilldelar fortfarande en hög sannolikhet att noderna är 13 meter från varandra. Men det tilldelar en liten möjlighet att de är 10 meter ifrån varandra, baserat på viss fördröjning eller effektbortfall av signalen. Eftersom systemet smälter all annan information från omgivande noder, den uppdaterar sannolikheten för varje möjligt värde. Till exempel, det kan pinga en karta och se att rummets layout visar att det är högst osannolikt att båda noderna är 13 meter från varandra. Genom att kombinera all uppdaterad information, det avgör att noden är mycket mer sannolikt att vara i den position som är 10 meter bort.

"I slutet, att behålla det låga sannolikhetsvärdet är viktigt, " säger Win. "Istället för att ge ett definitivt värde, Jag säger dig att jag är riktigt säker på att du är 13 meter bort, men det finns en mindre möjlighet att du också är närmare. Detta ger ytterligare information som gynnar avsevärt när det gäller att bestämma nodernas positioner."

Minskar komplexiteten

Extrahera många funktioner från signaler, dock, leder till data med stora dimensioner som kan vara för komplexa och ineffektiva för systemet. För att förbättra effektiviteten, forskarna reducerade all signaldata till ett utrymme med reducerad dimension och lätt att beräkna.

Att göra så, de identifierade aspekter av de mottagna vågformerna som är mest och minst användbara för att lokalisera lokalisering baserat på "huvudkomponentanalys, "en teknik som behåller de mest användbara aspekterna i flerdimensionella datamängder och kasserar resten, skapa en datauppsättning med reducerade dimensioner. Om mottagna vågformer innehåller 100 provmätningar var, tekniken kan minska det antalet till, säga, åtta.

En sista innovation var att använda maskininlärningstekniker för att lära sig en statistisk modell som beskriver möjliga positioner från mätningar och kontextuella data. Den modellen körs i bakgrunden för att mäta hur den signalstudsningen kan påverka mätningar, hjälpa till att ytterligare förfina systemets noggrannhet.

Forskarna designar nu sätt att använda mindre beräkningskraft för att arbeta med resursbundna noder som inte kan överföra eller beräkna all nödvändig information. De arbetar också med att föra systemet till "enhetsfri" lokalisering, där några av noderna inte kan eller vill dela information. Detta kommer att använda information om hur signalerna sprids tillbaka från dessa noder, så att andra noder vet att de finns och var de finns.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.