Améliorer l'estimation de la localisation pour les appareils IoT

Dans le monde des appareils intelligents, savoir où se trouvent les choses est super important. C'est surtout vrai pour les technologies qui offrent des services basés sur la localisation, comme les applis qui t'aident à trouver des restos près de chez toi ou les appareils domotiques qui s'ajustent selon où tu es dans ta maison. Mais pour déterminer avec précision la localisation d'un appareil, il faut la bonne technologie.

#Le défi de la localisation dans l'IoT

Les appareils connectés à Internet-souvent appelés Internet des Objets (IoT)-ont besoin de connaître leur emplacement physique pour bien fonctionner. Par exemple, dans les villes intelligentes, les appareils qui surveillent le trafic ou la qualité de l'air dépendent de données de localisation précises pour donner des infos utiles. Malheureusement, trouver un emplacement précis peut être compliqué pour plusieurs raisons.

D'abord, beaucoup de systèmes actuels s'appuient sur le GPS (système de positionnement global) pour trouver des emplacements. Le GPS fonctionne bien à l'extérieur mais galère à l'intérieur des bâtiments ou dans des zones avec de grands immeubles qui bloquent les signaux. En plus, ajouter la technologie GPS à chaque capteur peut être assez coûteux, surtout si de nombreux capteurs doivent être déployés.

Ensuite, les environnements où se trouvent ces appareils peuvent créer des obstacles à la détection de localisation précise. Dans les milieux urbains, les signaux peuvent rebondir sur les bâtiments ou être interrompus par d'autres appareils. Cette interférence peut entraîner des erreurs dans la détermination de l'emplacement.

Enfin, beaucoup de systèmes IoT visent à garder les coûts bas. En conséquence, certaines technologies de localisation peuvent être écartées parce qu'elles sont trop chères, même si elles pourraient fournir des infos précises.

Pour relever ces défis, on explore des technologies alternatives qui estiment les positions en utilisant différentes méthodes. Certaines d’entre elles reposent sur des signaux radio, qui peuvent fournir une localisation basée sur la façon dont les signaux voyagent entre les appareils.

#Technologies pour l'estimation de position

Il existe plusieurs technologies actuellement disponibles pour estimer des emplacements, en particulier celles qui utilisent des signaux radio. Celles-ci incluent :

• Wi-Fi : Largement utilisé pour les connexions Internet, le Wi-Fi peut aussi aider à déterminer la position des appareils. De nouvelles améliorations des standards Wi-Fi incluent la mesure du temps qu'il faut pour qu'un signal travel entre deux appareils.

• Bluetooth : Similaire au Wi-Fi, la technologie Bluetooth peut aider à déterminer les distances entre les appareils, surtout dans les petits espaces.

• RFID (Identification par radiofréquence) : Les étiquettes RFID peuvent être utilisées pour suivre des objets, mais elles nécessitent des lecteurs spécialisés.

• UWB (Ultra Wideband) : Cette technologie plus récente peut fournir des mesures de localisation très précises, ce qui la rend adaptée aux applications nécessitant une grande précision.

Cependant, beaucoup de ces technologies font face à leurs propres défis. Par exemple, les méthodes traditionnelles reposent souvent sur la force du signal, qui peut beaucoup varier selon l'environnement. Les nouvelles méthodes qui mesurent le temps que prennent les signaux pour voyager peuvent offrir une meilleure précision.

#Mesure de Temps Fine (FTM) pour le Wi-Fi

La Mesure de Temps Fine (FTM) est un protocole plus récent inclus dans le standard Wi-Fi qui mesure le temps qu'il faut pour qu'un signal voyage entre des appareils. Ce protocole peut offrir une meilleure précision que les méthodes traditionnelles qui ne s'intéressent qu'à la force du signal.

Bien que le FTM ne soit pas encore largement utilisé, certains appareils grand public et points d'accès commencent à supporter cette fonctionnalité, ce qui en fait une option intéressante pour les applis basées sur la localisation.

L'ESP32 est un système sur puce (SoC) qui est très populaire dans les applications IoT grâce à son faible coût et sa faible consommation d'énergie. La puce a récemment ajouté le support pour le Wi-Fi FTM, ce qui en fait une option viable pour les appareils qui nécessitent une estimation de localisation.

#Évaluation des performances de l'ESP32 avec FTM

Pour évaluer comment l'ESP32 performe avec le protocole FTM, une série de tests peut être effectuée tant en intérieur qu'en extérieur. L'objectif est de voir à quel point l'ESP32 peut estimer avec précision les distances entre les appareils dans divers environnements.

#Tests en intérieur

Dans un environnement intérieur, de nombreux facteurs peuvent affecter la précision des mesures de distance. Les obstacles comme les murs, les meubles et d'autres appareils électroniques peuvent interférer avec les signaux, entraînant des erreurs. Une pièce avec divers obstacles et sources d'interférence a été choisie pour tester les capacités FTM de l'ESP32.

Plusieurs dispositifs ESP32 ont été placés à des emplacements connus, tandis qu'un autre appareil se déplaçait dans la pièce pour prendre des mesures. Les distances mesurées avec le FTM ont ensuite été comparées aux distances réelles. Cet exercice visait à comprendre à quel point l'ESP32 pouvait estimer les distances dans un environnement intérieur typique.

#Tests en extérieur

À l'inverse, les environnements extérieurs ont généralement moins d'obstacles, permettant un chemin de signal plus clair entre les appareils. Des tests ont été effectués dans une zone extérieure loin des bâtiments pour minimiser les interférences d'autres appareils.

Tout comme dans les tests intérieurs, un appareil servait de balise pendant que l'autre agissait comme un tag. Ils se déplaçaient l'un par rapport à l'autre à des distances connues, et les mesures ont de nouveau été comparées aux distances réelles pour évaluer la précision.

#Résultats des tests

#Résultats intérieurs

Les résultats des tests en intérieur ont généralement montré des erreurs significatives dans les estimations de distance. Beaucoup de mesures avaient des erreurs de plusieurs mètres, indiquant que la technologie FTM a du mal à bien fonctionner dans des environnements avec beaucoup d'obstacles. Certaines estimations étaient fausses de jusqu'à 20 mètres, soulignant les difficultés de la localisation intérieure avec le FTM.

#Résultats extérieurs

Dans les environnements extérieurs, les résultats étaient généralement plus réussis. L'ESP32 a montré une meilleure précision, avec la plupart des mesures se situant à quelques mètres des distances réelles. Dans ces tests, l'appareil a réussi à obtenir une estimation de distance avec des erreurs inférieures à quelques mètres pour la majorité des mesures.

#Apprentissage Machine pour l'amélioration

Étant donné les limitations observées pendant les tests, surtout dans les environnements complexes, une nouvelle approche a été proposée en utilisant des techniques d'apprentissage machine (ML). Les algorithmes ML peuvent utiliser des données existantes pour prédire et améliorer les estimations de distance en fonction de variables comme les valeurs RTT (Round Trip Time) brutes et les relevés de force de signal.

#Entraînement du modèle

Pour améliorer la précision des estimations de distance, un ensemble de données provenant des campagnes de mesure antérieures a été utilisé. Une partie de ces données a servi à entraîner divers modèles ML, visant à apprendre la relation entre les métriques de signal brutes et les distances réelles. L'objectif était de créer des modèles qui pourraient faire de meilleures prédictions dans différents environnements.

Les algorithmes sélectionnés étaient conçus pour fonctionner efficacement avec les ressources limitées de calcul de l'ESP32. En optimisant les modèles, il était possible de faire des estimations de distance en temps réel tout en continuant à prendre des mesures FTM.

#Évaluation des performances des modèles d'apprentissage machine

Après l'entraînement, les modèles ML ont été évalués à l'aide d'un nouvel ensemble de données pour valider leurs performances. Les résultats ont montré que les estimateurs basés sur le ML ont considérablement amélioré la précision des estimations de distance. Par exemple, dans les tests en intérieur, les algorithmes ML ont pu atteindre des estimations inférieures à 1,5 mètre d'erreur pour la plupart des échantillons.

Dans les tests en extérieur, les modèles ont également surpassé les estimations traditionnelles faites par l'ESP32, démontrant leur efficacité dans diverses conditions de test.

#Mise en œuvre en temps réel

Une des contributions majeures de ce travail a été la mise en œuvre du modèle ML entraîné directement dans la puce ESP32. Cela a permis à l'appareil de générer des estimations en temps réel en parallèle des calculs FTM normaux.

En optimisant le code et en s'assurant qu'il pouvait fonctionner efficacement sur l'ESP32, il a été possible de réaliser des calculs supplémentaires sans augmenter significativement la consommation d'énergie. Cette capacité en temps réel peut rendre les appareils équipés d'ESP32 beaucoup plus efficaces pour fournir des données de localisation précises.

#Considérations sur la consommation d'énergie

Dans les applications IoT, la consommation d'énergie est critique, car beaucoup d'appareils fonctionnent sur batterie. Comprendre combien d'énergie l'ESP32 utilise lors des mesures FTM est vital.

Des tests ont été effectués pour mesurer la consommation de courant pendant que l'ESP32 était en modes basse consommation et durant les mesures actives. Les résultats ont montré que, bien que des pics significatifs dans l'utilisation de l'énergie se produisent durant les transmissions, la puce peut entrer dans un état de basse consommation entre les mesures pour économiser de l'énergie.

Le budget énergétique a été analysé en fonction de la fréquence des mesures. L'impact des mesures actives sur la consommation d'énergie était substantiel, mais les implémentations en temps réel de ML n'ont pas ajouté de façon significative à l'utilisation énergétique globale.

#Conclusion et travaux futurs

L'exploration de l'utilisation de Wi-Fi FTM avec l'ESP32 a prouvé sa valeur pour permettre une estimation de localisation précise dans divers environnements. Les résultats des campagnes de tests ont mis en lumière les forces et les faiblesses de l'utilisation de la technologie FTM, notamment dans des espaces intérieurs complexes.

L'introduction de l'apprentissage machine pour améliorer les estimations de distance représente un avancement prometteur. La mise en œuvre en temps réel de ces modèles au sein de l'ESP32 peut considérablement améliorer les performances des appareils IoT nécessitant des services de localisation.

En ce qui concerne les travaux futurs, des expériences supplémentaires sont prévues pour évaluer les performances dans des scénarios encore plus variés, y compris ceux nécessitant un positionnement en 3D. En continuant à affiner les algorithmes et à tester différents environnements, l'objectif est d'obtenir des estimations de localisation fiables et précises qui peuvent bénéficier à un large éventail d'applications dans le domaine en pleine croissance de l'IoT.