Mejorando la Posicionamiento en Interiores con Tecnología UWB

Con el crecimiento de los dispositivos inteligentes y la tecnología, encontrar ubicaciones precisas en interiores se ha vuelto importante. Surgen diferentes necesidades, como rastrear personas, guiar drones en almacenes y mantener la distancia social durante eventos como la pandemia de COVID-19. Mientras que el GPS funciona bien al aire libre, tiene problemas en interiores porque las paredes bloquean sus señales. Una tecnología que muestra promesas para la localización en interiores es Ultra-wideband (UWB). UWB puede proporcionar posiciones precisas, pero puede verse afectada cuando las señales no son directamente visibles (llamadas NLOS). Este documento explora un método para identificar estas señales NLoS para mejorar la precisión de la ubicación.

#Por qué la localización precisa en interiores es importante

A medida que avanza la tecnología, los sistemas de posicionamiento en interiores (IPS) son cada vez más buscados. Estos sistemas son cruciales para muchas aplicaciones, incluyendo:

• Rastreo de peatones: Saber dónde están las personas puede ayudar en aplicaciones de seguridad y asistencia en navegación.
• Drones: En almacenes o espacios de almacenamiento, los drones necesitan ubicaciones precisas para operar eficazmente.
• Salud y seguridad: Durante crisis de salud, poder mantener el distanciamiento social a través del rastreo se vuelve vital.

#El desafío de GNSS

Los Sistemas Globales de Navegación por Satélite (GNSS), como el GPS, proporcionan información de ubicación al aire libre. Sin embargo, su efectividad disminuye en interiores debido al bloqueo de señales por paredes y otros obstáculos. Aquí es donde entran en juego las tecnologías de posicionamiento en interiores, y UWB es uno de los principales contendientes.

#¿Qué es Ultra-wideband (UWB)?

UWB es una tecnología que envía un amplio rango de frecuencias en pulsos cortos. Esto le permite lograr alta precisión al determinar la ubicación. Sin embargo, si la señal es bloqueada o reflejada por obstáculos, se crean problemas conocidos como condiciones NLoS.

#¿Qué es NLoS?

NLoS significa Non-Line of Sight. Ocurre cuando las señales entre dispositivos son interrumpidas por barreras como paredes, muebles u otros objetos. En tales casos, el tiempo que tarda una señal en viajar aumenta, causando errores en la posición.

#¿Cómo podemos identificar señales NLoS?

Se ha investigado para mejorar la precisión de UWB al averiguar si una señal es LoS (Línea de Vista) o NLoS. Principalmente hay dos tipos de métodos para la identificación:

1. Métodos no basados en características: Estos dependen de información general, como el contexto ambiental, para identificar los tipos de señal.
2. Métodos basados en características: Estos se enfocan en las características específicas de las señales UWB para determinar si son LoS o NLoS.

Si bien ambos métodos funcionan, los métodos basados en características han demostrado proporcionar resultados más precisos.

#Enfoques de Aprendizaje Automático

En los últimos años, se ha utilizado el aprendizaje automático (ML) para mejorar la detección de NLoS basada en señales UWB. Se han examinado diferentes algoritmos, como Máquinas de Vectores de Soporte (SVM), Bayes Naivo (NB) y métodos de Aprendizaje Profundo como Redes Neuronales Convolucionales (CNN). Sin embargo, estos métodos pueden tener problemas cuando los datos disponibles están desbalanceados, lo que significa que hay pocos ejemplos de NLoS en comparación con LoS.

#La importancia de una clasificación robusta

Para que los modelos de ML clasifiquen señales como LoS o NLoS de manera efectiva, debe haber suficientes datos de entrenamiento para ambos tipos. Cuando hay una cantidad desigual de datos (por ejemplo, muchas señales LoS pero pocas NLoS), el modelo puede no aprender a identificar NLoS con precisión. Esto conduce a un rendimiento deficiente.

#Introduciendo la Distribución Gaussiana

Para abordar el desafío de los conjuntos de datos desbalanceados, se propone un nuevo enfoque utilizando Distribución Gaussiana (GD) y Distribución Gaussiana Generalizada (GGD). Estos métodos se concentran en analizar las propiedades de los datos recopilados para mejorar la detección de señales NLoS cuando no hay muchas disponibles.

#Contribuciones clave

1. Estudio de rendimiento: El documento evalúa qué tan bien funcionan los algoritmos de aprendizaje no supervisado utilizando GD y GGD para identificar LoS y NLoS bajo condiciones de conjuntos de datos desbalanceados.
2. Comparación con algoritmos existentes: Los métodos propuestos se compararán con técnicas tradicionales de ML supervisadas, ilustrando su efectividad en clasificación precisa a pesar de las disparidades en los datos.

#Modelo de Sistema UWB

Para entender los métodos propuestos, necesitamos captar el modelo básico de un sistema UWB.

#Transmisión de Señales UWB

Una señal UWB se transmite utilizando pulsos con un período específico. La señal experimenta efectos del entorno, como reflexiones y obstáculos. A medida que la señal viaja, llegará a un dispositivo móvil después de un cierto tiempo, que puede estar sujeto a retrasos en condiciones NLoS.

#¿Cómo se determina la posición?

En los sistemas UWB, hay dos tipos de nodos involucrados:

• Anclajes: Estos tienen posiciones fijas.
• Etiquetas: Estos son nodos móviles con posiciones desconocidas.

La distancia entre los anclajes y las etiquetas se puede medir utilizando la técnica de Tiempo de Llegada (ToA). A partir de esta distancia, podemos determinar la posición de las etiquetas en un espacio definido.

#Técnicas de Localización UWB

El proceso de localizar la posición de una etiqueta dentro de un espacio implica varios pasos:

1. Sincronización de relojes: Tanto anclajes como etiquetas necesitan tener relojes sincronizados para una medición precisa del tiempo.
2. Envío de marcas de tiempo: Las etiquetas envían marcas de tiempo a los anclajes, que luego responden, permitiendo calcular el retraso del tiempo.
3. Cálculo de distancia: La distancia estimada se calcula utilizando el retraso de tiempo y la velocidad de la luz.

#El método de trilateración

Para encontrar la posición de la etiqueta, se utiliza la trilateración. Esto implica usar las distancias desde tres o más anclajes para determinar la ubicación precisa de la etiqueta en el espacio.

#Algoritmos propuestos

Al crear un método de clasificación robusto, se introducen dos algoritmos utilizando estadísticas gaussianas:

#Distribución Gaussiana (GD)

Este método parte de la suposición de que los valores de características siguen una distribución gaussiana. Al calcular la media y la varianza a partir de los datos de entrenamiento, GD puede asignar probabilidades a nuevos puntos de datos, ayudando en la clasificación.

#Distribución Gaussiana Generalizada (GGD)

GGD extiende GD al incorporar un parámetro adicional conocido como curtosis, que ayuda a modelar la forma de la distribución de datos de manera más precisa. Al usar más parámetros, GGD puede adaptarse mejor a las variaciones en los datos entrantes, lo que potencialmente lleva a mejores resultados de clasificación.

#Configuración experimental

Para probar los algoritmos propuestos, se realizaron una serie de experimentos en entornos de estudio y habitación utilizando kits UWB. Se recopilaron datos en diversas condiciones para medir el rendimiento de los algoritmos.

#Proceso de recopilación de datos

Los kits UWB se configuraron para recopilar datos en entornos claros para condiciones LoS y con obstrucciones (como láminas de metal) para situaciones NLoS. Esta configuración permitió un conjunto de datos variado para asegurar pruebas exhaustivas.

#Extracción de características clave

Se recopilaron siete componentes de señal durante los experimentos, y se seleccionaron cuatro características clave para el análisis:

• Distancia estimada: La distancia calculada entre nodos.
• Nivel de potencia de primer camino: El nivel de potencia de la primera señal recibida.
• Nivel de potencia recibido: Nivel de potencia total recibido por la etiqueta.
• Diferencia de potencia: La diferencia entre la potencia del primer camino y la potencia recibida.

#Evaluando el rendimiento

El rendimiento de los algoritmos propuestos se evaluó comparándolos con técnicas tradicionales de aprendizaje automático. Las métricas clave incluyeron:

• Matriz de confusión: Para evaluar qué tan bien cada algoritmo clasificó los datos de LoS y NLoS.
• Curva de Características Operativas del Receptor (ROC): Para visualizar la tasa de verdaderos positivos frente a la tasa de falsos positivos para cada método, lo que lleva a una métrica general de Área Bajo la Curva (AUC).

#Resumen de resultados

Los resultados mostraron que los algoritmos GD y GGD superaron significativamente a métodos tradicionales como SVM, NB y NN, especialmente en escenarios con datos desbalanceados.

#Impacto de la selección del umbral

Un aspecto importante del proceso de clasificación fue la selección de un umbral apropiado. Este umbral determinó el límite entre clasificar una señal como LoS o NLoS.

#Umbral estático vs. dinámico

La selección de un umbral estático puede llevar a inexactitudes a medida que el entorno cambia. En contraste, emplear un umbral dinámico permite ajustes basados en nuevos datos, resultando en mejores resultados de clasificación.

#Analizando la precisión en diferentes entornos

También se llevaron a cabo experimentos en entornos diversos para evaluar cómo los cambios en el espacio físico afectarían el rendimiento del algoritmo. Se encontró que los algoritmos propuestos mantenían su efectividad incluso al pasar de un entorno a otro.

#Conclusión

La investigación presenta un enfoque prometedor para mejorar la detección de NLoS en sistemas de posicionamiento interior UWB. Al aprovechar las distribuciones gaussiana y gaussiana generalizada, los métodos propuestos pueden manejar de manera efectiva conjuntos de datos con tipos de señales desbalanceados. Los algoritmos demuestran mayor precisión en comparación con las técnicas de aprendizaje automático existentes, sugiriendo que podrían ser una herramienta vital para mejorar los sistemas de posicionamiento en interiores. El trabajo futuro puede ampliar estos hallazgos explorando conjuntos de datos más grandes y consideraciones adicionales de características, fortaleciendo aún más la fiabilidad de las tecnologías de localización en interiores.