Avanzando en Sistemas de Posicionamiento Interior con Aprendizaje Automático

Los sistemas de posicionamiento en interiores (IPS) se han vuelto herramientas esenciales en varias industrias, como la salud, ventas, manufactura, logística y construcción. Estos sistemas ayudan a rastrear objetos, gestionar proximidad y hacer mediciones inerciales, lo que puede mejorar la eficiencia, precisión y seguridad en las operaciones. Sin embargo, las soluciones IPS existentes a menudo requieren infraestructuras externas, lo que plantea preocupaciones sobre la privacidad y funcionalidad, especialmente en entornos de fábrica sensibles. Además, desplegar infraestructura adicional puede ser costoso e impráctico en ciertas ubicaciones, como túneles o minas.

Los avances recientes en Aprendizaje automático (ML) ofrecen una solución potencial al depender únicamente de datos recogidos de sensores a bordo en dispositivos del Internet de las Cosas (IoT). A pesar de este potencial, todavía no está claro qué modelos de ML funcionan mejor con los recursos limitados que se encuentran típicamente en estos dispositivos. Este trabajo se centra en crear un IPS que use Sensores de movimiento y ambientales para rastrear objetos en movimiento en fábricas preocupadas por la privacidad.

#Visión General del Problema

El enfoque de esta investigación es el posicionamiento en interiores para rastrear objetos que siguen una ruta específica en una fábrica. Los enfoques estándar generalmente miden coordenadas x-y precisas, pero este estudio prioriza determinar la posición relativa a lo largo de un camino conocido. Muchos métodos tradicionales requieren infraestructura externa para funcionar de manera efectiva, como soluciones basadas en radiofrecuencia que dependen de una potencia de señal constante. Sin embargo, para aplicaciones que solo necesitan saber dónde están los objetos a lo largo de un camino (como en una línea de ensamblaje), tener una coordenada x-y exacta puede no importar tanto.

Surgen desafíos adicionales con el despliegue de infraestructura que podría provocar problemas de privacidad o errores acumulados. Por ejemplo, algunos enfoques requieren información previa que puede volverse obsoleta con el tiempo. En muchos casos, las suposiciones sobre el movimiento o las condiciones ambientales pueden no ser ciertas, lo que hace que los resultados sean menos confiables.

Esta investigación tiene como objetivo determinar cómo aprender las posiciones interiores a partir de datos recogidos por sensores, haciéndolos adecuados para dispositivos de bajo consumo como microcontroladores. Al combinar datos de sensores de movimiento (como acelerómetros y giroscopios) y Sensores Ambientales (como sensores de presión y temperatura), el objetivo es crear un sistema que pueda proporcionar estimaciones de posicionamiento precisas a lo largo de un camino predeterminado.

#Escenario de Aplicación

Para ilustrar mejor el problema, consideremos una línea de ensamblaje de fábrica. En este contexto, los trabajadores a menudo mueven productos a lo largo de rutas específicas diseñadas para optimizar el flujo de trabajo. Para hacer un seguimiento de estos artículos en tiempo real, se necesita una solución de localización robusta que se ajuste a estrictas directrices de privacidad.

La solución propuesta implica evaluar modelos de ML ligeros que puedan funcionar en dispositivos con memoria y potencia de procesamiento limitadas. Esto incluye probar algoritmos como árboles de decisión, bosques aleatorios, perceptrones multicapa y redes neuronales convolucionales. También se pueden explorar modelos más complejos, como redes de memoria a largo y corto plazo, para evaluar su efectividad en esta aplicación.

Este trabajo es único porque aborda el posicionamiento en interiores como un problema de clasificación de Series de Tiempo Multivariadas utilizando solo sensores de movimiento y ambientales. El estudio también analizará qué tan bien funcionan diferentes modelos de ML bajo restricciones de hardware, mostrando su potencial para aplicaciones en el mundo real.

#Analizando Soluciones Existentes

Las soluciones IPS actuales se pueden desglosar en varias categorías según tecnología, técnica y algoritmos. Las tecnologías van desde el posicionamiento por satélite hasta diversas soluciones basadas en sensores. Desafortunadamente, muchos métodos existentes dependen en gran medida de la infraestructura, lo que puede comprometer la privacidad. Aunque existen sistemas inalámbricos que protegen la privacidad, la mayoría aún requiere infraestructura adicional, lo que puede ser impráctico para las necesidades específicas en fábricas.

Las técnicas en uso incluyen la navegación muerta, métodos basados en visión, triangulación y fingerprinting. Muchos de estos métodos requieren sistemas externos para operar. La navegación muerta, en particular, se basa en información de posicionamiento inicial y puede sufrir errores acumulativos con el tiempo. Los sistemas basados en visión también pueden plantear preocupaciones significativas sobre la privacidad.

Algorítmicamente, los métodos varían desde enfoques estadísticos tradicionales, como mínimos cuadrados y máxima verosimilitud, hasta métodos modernos de ML. Aunque el ML se ha aplicado cada vez más a los sistemas de posicionamiento, se ha utilizado principalmente en escenarios donde la dinámica es más predecible.

#Definiendo el Problema

La tarea en cuestión es localizar activos dentro de un edificio o fábrica con precisión. Dado que los activos pueden moverse a lo largo de rutas predeterminadas a velocidades variables, el objetivo es dividir estas rutas en segmentos más pequeños. Al hacer esto, el sistema puede determinar el segmento más probable donde se encuentra el activo según los datos de los sensores recogidos a lo largo del tiempo.

La investigación establece que un activo seguirá un camino específico. Sin embargo, la velocidad de movimiento y el tiempo para recorrer el camino pueden diferir en cada instancia. El enfoque aquí no es medir coordenadas exactas, sino identificar qué segmento del camino está actualmente el activo.

Los datos recogidos consistirán en series de tiempo multivariadas de sensores de movimiento y ambientales. Estos datos luego servirán como entradas para una tarea de clasificación en dispositivos de borde, permitiendo el procesamiento en tiempo real.

#Modelos de Aprendizaje Automático

Para abordar el desafío del posicionamiento en interiores, se implementarán varios modelos de ML. Se usarán técnicas tradicionales como árboles de decisión y bosques aleatorios debido a sus estructuras más simples, que las hacen adecuadas para dispositivos de bajo rendimiento. Además, se aplicarán enfoques más avanzados, incluidos convoluciones y capas LSTM, para buscar un mejor reconocimiento de patrones entre los datos recopilados.

1. Árboles de Decisión (DT): Este método funciona dividiendo los datos en subconjuntos según ciertos criterios. La configuración más simple de los DT es bastante fácil de interpretar y puede adaptarse a dispositivos de bajo consumo.

2. Bosques Aleatorios (RF): Este es un método de conjunto basado en múltiples árboles de decisión. Proporciona mejor precisión al promediar los resultados de muchos árboles, pero requiere más memoria.

3. Perceptrones Multicapa (MLP): Un modelo básico de red neuronal que incluye múltiples capas. Se puede entrenar para reconocer patrones complejos, pero puede ser más exigente en hardware.

4. Redes Neuronales Convolucionales (CNN): Inicialmente diseñadas para el procesamiento de imágenes, las CNN también pueden trabajar con datos de series de tiempo. Al tratar los datos como una cuadrícula 2D, las CNN pueden identificar patrones y características locales.

5. Memoria a Largo y Corto Plazo (LSTM): Este tipo de red es capaz de aprender dependencias a largo plazo en datos secuenciales, lo que la hace beneficiosa para el análisis de series de tiempo.

Cada modelo se evaluará según su precisión, requisitos de memoria y velocidad en hacer predicciones.

#Recolección y Preparación del Conjunto de Datos

Para verificar el método propuesto, se creará un conjunto de datos llamado Motion-Ambient. Este conjunto de datos comprenderá grabaciones de varios sensores utilizados en un escenario práctico que imita condiciones reales de fábrica.

La configuración de registro de datos implicará un dispositivo móvil que recopila datos de varios sensores, incluidos unidades de medición inercial (IMUs), sensores de presión, sensores de temperatura y otros en tres rutas distintas. Estas rutas incluirán segmentos tanto interiores como exteriores, asegurando una variedad de condiciones.

#Preprocesamiento de los Datos

Dado que los sensores suelen recopilar datos a diferentes velocidades, es necesario preprocesar los datos para asegurar consistencia. Inicialmente, se llenarán las grabaciones faltantes utilizando técnicas que utilicen valores cercanos en el tiempo. Después de eso, un filtro de media móvil ayudará a suavizar los datos, seguido de normalización para estandarizar los valores.

#Selección de Características

A partir de los datos en bruto, se elegirán características importantes según su relevancia para el problema de posicionamiento en interiores. El conjunto final de características se utilizará para entrenar los modelos de ML, asegurando que los atributos elegidos contribuyan de manera efectiva a hacer predicciones precisas.

#Evaluación de los Modelos: Resultados y Análisis

Una vez que los modelos se entrenen utilizando el conjunto de datos preparado, se emplearán varias métricas para evaluar su rendimiento.

1. Precisión: Esto representa la proporción de predicciones correctas realizadas por el modelo. Una mayor precisión indica un mejor rendimiento en la identificación del segmento correcto del camino.

2. Loc-score: Esta es una métrica especializada que proporciona una evaluación más indulgente de la precisión de clasificación al considerar predicciones que son lo suficientemente cercanas a la respuesta correcta.

3. Huella de Memoria: Esto indica cuánta memoria requiere el modelo. Los modelos más pequeños son más adecuados para su implementación en dispositivos de bajo consumo.

4. Latencia de Inferencia: Esto mide el tiempo que tarda un modelo en hacer una predicción. Una latencia más baja es crucial para aplicaciones en tiempo real.

5. Rendimiento: Esta métrica muestra cuántas predicciones se pueden hacer en un marco de tiempo dado, ofreciendo información sobre la eficiencia del sistema.

#Rendimiento del Modelo

Los resultados de las evaluaciones se compararán entre todos los modelos. Se espera que modelos como CNN-1D y MLP muestren mayor precisión y huellas de memoria y latencias de inferencia aceptablemente bajas, lo que los hace adecuados para la aplicación prevista.

En resumen, el objetivo es presentar una visión equilibrada de las fortalezas y debilidades de cada modelo en relación con el contexto específico del posicionamiento en interiores. Los hallazgos guiarán implementaciones futuras y posibles mejoras.

#Discusión y Direcciones Futuras

El desplazamiento de datos es un desafío común en aplicaciones de ML, donde los cambios en los datos a lo largo del tiempo pueden afectar el rendimiento del modelo. Esta investigación reconoce que puede ser necesario un reentrenamiento periódico para mantener actualizados los modelos. El método de posicionamiento en interiores propuesto se centra principalmente en seguir caminos predeterminados, pero el trabajo futuro puede involucrar la introducción de diversos escenarios, como paradas inesperadas u obstáculos.

También hay una necesidad de generalizar aún más los modelos, permitiéndoles manejar varios movimientos que ocurren en entornos interiores, lo que puede mejorar su aplicabilidad en múltiples entornos.

Además, se podrían investigar aspectos como los efectos estacionales en las condiciones ambientales para ver cómo influyen en el rendimiento del modelo. Hasta ahora, el conjunto de datos utilizado carece de representación para tales variaciones.

La investigación tiene como objetivo implementar el sistema desarrollado en condiciones reales de fábrica, validando su efectividad y practicidad a través del uso en el mundo real.

#Conclusión

Este estudio tiene como objetivo desarrollar un sistema de posicionamiento en interiores basado en aprendizaje automático que aproveche los sensores de movimiento y ambientales mientras evita depender de infraestructuras externas. A través de una evaluación integral de modelos, se evaluará la efectividad de varios enfoques de aprendizaje automático en el contexto de entornos de fábrica.

El conjunto de datos único generado como parte de este trabajo contribuirá a investigaciones futuras en soluciones de posicionamiento en interiores. Al centrarse en la practicidad, la privacidad y las necesidades de dispositivos de bajo consumo, este proyecto aspira a ofrecer soluciones innovadoras para aplicaciones industriales, garantizando el seguimiento eficiente de activos mientras se mantiene la privacidad del usuario.