Un nuevo sistema desarrollado por investigadores del MIT y de otras instituciones ayuda a las redes de dispositivos inteligentes a cooperar para determinar sus posiciones en entornos donde el GPS normalmente falla.
Hoy en día, el concepto de «internet de las cosas» es bastante conocido: miles de millones de sensores interconectados en todo el mundo, integrados en objetos cotidianos, equipos y vehículos, o llevados por personas o animales, recopilan y comparten datos para una amplia gama de aplicaciones.
Un concepto emergente, la «localización de las cosas», permite que esos dispositivos detecten y comuniquen su posición. Esta capacidad podría resultar útil para la supervisión de cadenas de suministro, la navegación autónoma, las ciudades inteligentes altamente conectadas e incluso para crear en tiempo real un «mapa vivo» del mundo. Los expertos prevén que el mercado de la localización de las cosas crecerá hasta alcanzar los 128.000 millones de dólares en 2027.
El concepto depende de técnicas de localización precisas. Los métodos tradicionales aprovechan los satélites GPS o las señales inalámbricas compartidas entre dispositivos para establecer sus distancias y posiciones relativas entre sí. Pero existe un inconveniente: la precisión se resiente considerablemente en lugares con superficies reflectantes, obstáculos u otras señales interferentes, como el interior de edificios, los túneles subterráneos o los «cañones urbanos», donde los edificios altos flanquean ambos lados de una calle.
Investigadores del MIT, de la Universidad de Ferrara, del Centro Vasco de Matemática Aplicada (BCAM) y de la Universidad del Sur de California han desarrollado un sistema que captura información de ubicación incluso en estas zonas con interferencias y sin señal GPS. Un artículo que describe el sistema aparece en la Proceedings of the IEEE.
Cuando los dispositivos de una red, denominados «nodos», se comunican de forma inalámbrica en un entorno que obstruye las señales, o «hostil», el sistema fusiona distintos tipos de información posicional procedente de señales inalámbricas poco fiables intercambiadas entre los nodos, así como de mapas digitales y datos inerciales. Para ello, cada nodo considera la información asociada a todas las ubicaciones posibles, denominada «información blanda», en relación con la de todos los demás nodos. El sistema emplea técnicas de aprendizaje automático y técnicas que reducen las dimensiones de los datos procesados para determinar posibles posiciones a partir de las mediciones y los datos contextuales. Con esa información, determina con precisión la posición del nodo.
En simulaciones de escenarios hostiles, el sistema funciona significativamente mejor que los métodos tradicionales. En particular, se mantuvo de forma constante cerca del límite teórico de precisión de localización. Además, a medida que el entorno inalámbrico empeoraba, la precisión de los sistemas tradicionales descendía drásticamente, mientras que el nuevo sistema basado en información blanda se mantuvo estable.
«Cuando la situación se complica, nuestro sistema mantiene precisa la localización», afirma Moe Win, profesor del Departamento de Aeronáutica y Astronáutica y del Laboratorio de Sistemas de Información y Toma de Decisiones (LIDS), y director del Laboratorio de Ciencias de la Información y las Redes Inalámbricas. «En entornos inalámbricos hostiles, existen reflexiones y ecos que dificultan mucho más obtener información de ubicación precisa. Lugares como el Stata Center [en el campus del MIT] son especialmente difíciles, porque hay superficies que reflejan las señales por todas partes. Nuestro método de información blanda es especialmente robusto en este tipo de entornos inalámbricos hostiles.»
Junto a Win, en el artículo participan: Andrea Conti, de la Universidad de Ferrara; Santiago Mazuelas, de BCAM; Stefania Bartoletti, de la Universidad de Ferrara; y William C. Lindsey, de la Universidad del Sur de California.
Captura de la «información blanda»
En la localización en red, los nodos suelen denominarse anclas o agentes. Las anclas son nodos con posiciones conocidas, como los satélites GPS o las estaciones base inalámbricas. Los agentes son nodos cuyas posiciones son desconocidas, como los coches autónomos, los smartphones o los dispositivos portátiles.
Para localizarse, los agentes pueden utilizar las anclas como puntos de referencia o pueden compartir información con otros agentes para orientarse. Esto implica transmitir señales inalámbricas que llegan al receptor con información posicional. La potencia, el ángulo y el tiempo de llegada de la forma de onda recibida, por ejemplo, se correlacionan con la distancia y la orientación entre nodos.
Los métodos tradicionales de localización extraen una característica de la señal para estimar un único valor, por ejemplo, la distancia o el ángulo entre dos nodos. La precisión de la localización depende por completo de la exactitud de esos valores rígidos (o «duros»), y se ha demostrado que la precisión disminuye drásticamente a medida que los entornos se vuelven más hostiles.
Supongamos que un nodo transmite una señal a otro nodo que se encuentra a 10 metros, en un edificio con muchas superficies reflectantes. La señal puede rebotar y llegar al nodo receptor en un tiempo correspondiente a una distancia de 13 metros. Los métodos tradicionales probablemente asignarían esa distancia incorrecta como valor.
Para el nuevo trabajo, los investigadores decidieron probar el uso de información blanda para la localización. El método aprovecha numerosas características de la señal e información contextual para crear una distribución de probabilidad de todas las distancias, ángulos y otras métricas posibles. «Se llama “información blanda” porque no tomamos decisiones definitivas sobre los valores», afirma Conti.
El sistema toma muchas mediciones de muestra de las características de la señal, incluidas su potencia, su ángulo y su tiempo de vuelo. Los datos contextuales proceden de fuentes externas, como mapas digitales y modelos que captan y predicen cómo se mueve el nodo.
Volviendo al ejemplo anterior: a partir de la medición inicial del tiempo de llegada de la señal, el sistema sigue asignando una alta probabilidad de que los nodos estén separados por 13 metros. Pero asigna una pequeña posibilidad de que estén separados por 10 metros, en función de algún retardo o pérdida de potencia de la señal. A medida que el sistema fusiona toda la demás información de los nodos cercanos, actualiza la probabilidad de cada valor posible. Por ejemplo, podría consultar un mapa y observar que la distribución de la sala muestra que es muy improbable que ambos nodos estén separados por 13 metros. Al combinar toda la información actualizada, determina que es mucho más probable que el nodo se encuentre en la posición situada a 10 metros.
«Al final, conservar ese valor de baja probabilidad es importante», afirma Win. «En lugar de dar un valor definitivo, afirmo que tengo mucha confianza en que está a 13 metros, pero existe una pequeña posibilidad de que también esté más cerca. Esto aporta información adicional que resulta muy beneficiosa para determinar las posiciones de los nodos.»
Reducción de la complejidad
Sin embargo, extraer muchas características de las señales da lugar a datos de grandes dimensiones que pueden resultar demasiado complejos e ineficientes para el sistema. Para mejorar la eficiencia, los investigadores redujeron todos los datos de la señal a un espacio de dimensiones reducidas y fácilmente computable.
Para ello, identificaron los aspectos de las formas de onda recibidas que son más y menos útiles para determinar la ubicación, basándose en el «análisis de componentes principales», una técnica que conserva los aspectos más útiles en conjuntos de datos multidimensionales y descarta el resto, creando así un conjunto de datos con dimensiones reducidas. Si las formas de onda recibidas contienen 100 mediciones de muestra cada una, la técnica podría reducir esa cifra a, por ejemplo, ocho.
Una última innovación consistió en utilizar técnicas de aprendizaje automático para aprender un modelo estadístico que describa las posibles posiciones a partir de las mediciones y los datos contextuales. Ese modelo funciona en segundo plano para medir cómo el rebote de la señal puede afectar a las mediciones, lo que ayuda a afinar aún más la precisión del sistema.
Los investigadores están diseñando ahora formas de utilizar menos potencia de cálculo para trabajar con nodos con recursos limitados que no pueden transmitir ni calcular toda la información necesaria. También trabajan en llevar el sistema a la localización «sin dispositivo», en la que algunos nodos no pueden o no quieren compartir información. Esto utilizará información sobre cómo se retrodispersan las señales desde estos nodos, de modo que otros nodos sepan que existen y dónde se encuentran.
