Localização 3D em ambientes internos com redes bluetooth low energy utilizando técnicas de aprendizado de máquina

Abstract

Recentemente, aplicações de localização em ambientes internos e fechados têm utilizado uma infraestrutura de redes de sensores sem fio, com tecnologias de comunicação como Wi-Fi, Bluetooth, Zigbee, UWB (Ultra Wideband), entre outras. Neste tipo de implementação tipicamente estão presentes um dispositivo móvel - cuja posição será estimada - e dispositivos fixos - denominados âncoras - que servem como pontos de referência. O processo de estimativa de localização é feito a partir da comunicação entre estes dois elementos. Contudo, esse sinal, em ambientes internos, está sujeito a interferências e depreciações em sua qualidade. Algoritmos de Aprendizado de Máquina têm sido aplicados nesse cenário com o intuito de estimar a posição de dispositivos a partir dos sinais das entradas das âncoras. O treinamento desses algoritmos requer uma base de dados que mapeie os sinais de entrada das múltiplas âncoras disponíveis no ambiente - tal como recebidos - para a posição do dispositivo que as recebeu. Essa abordagem é denominada de análise de cena, ou simplesmente fingerprint. Nesse cenário, utilizando como parâmetro de entrada os níveis de potência de sinal (RSSI) recebidos das âncoras no ambiente, é razoável assumir como hipótese que aquelas com sinais de maior potência sejam mais relevantes para os algoritmos de localização. Utilizando esta estratégia, o presente trabalho propõe a adoção de um filtro de âncoras como metodologia para reduzir o número de sinais a serem observados pelos algoritmos de localização. Utilizando a tecnologia sem fio Bluetooth Low Energy e como métrica o indicador RSSI, uma base de dados de localização 3D com diversas âncoras foi experimentalmente levantada em um ambiente interno. Com a abordagem de filtro de âncoras foram implementadas e testadas 3 técnicas de Aprendizado de Máquina para estimação de localização: K-vizinhos mais próximos (KNN), árvore de regressão e redes neurais artificiais. Os testes realizados demonstraram que, no contexto do ambiente e dos algoritmos escolhidos, utilizando o sinal de a partir de 3 âncoras do ambiente já é possível obter um nível satisfatório de qualidade na localização.

Recently, indoor localization applications have been using wireless sensor network infrastructure, with communication technologies such as Wi-Fi, Bluetooth, Zigbee, UWB (Ultra Wideband) , among others. In this type of implementation there are typically a mobile device - whose position will be estimated - and fixed devices - called anchors - that serve as reference points. The location estimation process is made from the communication between these two elements. However, this signal, in indoor environments is subject to quality interference and deterioration. Machine Learning Algorithms have been applied in this scenario in order to estimate the position of devices from the anchor input signals. Training these algorithms requires a database that maps the input signals from the multiple anchors available in the environment - as received - to the position of the receiving device. This approach is called scene analysis, or simply fingerprint. In this scenario, using as input parameter the received signal strength indication (RSSI) detected from the anchors in the environment, it is reasonable to assume that those with higher power signals are more relevant for the localization algorithms. Using this strategy, the present work proposes the adoption of an anchor filter as a methodology to reduce the number of signals to be observed by the localization algorithms. Using the Bluetooth Low Energy wireless technology and the RSSI indicator as a metric, a 3D localization database with several anchors was experimentally built indoors. Using the anchor filter approach, 3 Machine Learning techniques were implemented and tested to the localization estimation task: K-Nearest Neighbors (KNN), regression tree and artificial neural networks. The tests performed showed that, in the context of the environment and the chosen algorithms, using the 3 anchors signal from the environment it is already possible to obtain a satisfactory level of quality in the localization estimation.