जीपीएस अयशस्वी होणा in्या ठिकाणी नवीन यंत्रणा स्मार्ट डिव्हाइसची त्यांची स्थिती शोधण्यात मदत करते

कनेक्ट केलेले डिव्हाइस आता गोंगाट, जीपीएस-नाकारलेल्या भागातदेखील स्थिती माहिती सामायिक करू शकतात.

जीपीएस अयशस्वी होणा in्या ठिकाणी नवीन यंत्रणा स्मार्ट डिव्हाइसची त्यांची स्थिती शोधण्यात मदत करते
जीपीएस अयशस्वी होणा in्या ठिकाणी नवीन यंत्रणा स्मार्ट डिव्हाइसची त्यांची स्थिती शोधण्यात मदत करते



एमआयटी आणि इतरत्र संशोधकांनी विकसित केलेली नवीन प्रणाली जीपीएस सहसा अयशस्वी होणार्‍या वातावरणामध्ये स्मार्ट डिव्हाइसेसच्या नेटवर्कमध्ये त्यांचे स्थान शोधण्यास सहकार्य करण्यास मदत करते.

आज, “गोष्टींची इंटरनेट” ही संकल्पना बरीच सुप्रसिद्ध आहे: जगभरातील कोट्यावधी परस्पर सेन्सर - दररोजच्या वस्तू, उपकरणे आणि वाहनांमध्ये एम्बेड केलेले, किंवा मनुष्य किंवा प्राणी यांनी परिधान केलेले - ब collect्याच अनुप्रयोगांसाठी डेटा गोळा आणि सामायिक करा.

एक उदयोन्मुख संकल्पना, “गोष्टींचे स्थानिकीकरण” त्या उपकरणांना त्यांची स्थिती जाणून घेण्यास आणि संवाद साधण्यास सक्षम करते. ही क्षमता पुरवठा साखळी देखरेख, स्वायत्त नेव्हिगेशन, अत्यंत कनेक्ट स्मार्ट शहरे आणि अगदी जगाचा वास्तविक-वेळ “जिवंत नकाशा” तयार करण्यात उपयोगी ठरू शकते. तज्ज्ञांचा असा अंदाज आहे की २०२ things पर्यंत लोकॅलायझेशन ऑफ-ऑफ़-चीफ मार्केट १२$ अब्ज डॉलर्सपर्यंत वाढेल.

ही संकल्पना तंतोतंत स्थानिकीकरण तंत्रांवर अवलंबून आहे. पारंपारिक पद्धती लाभ घेतात जीपीएस उपग्रह किंवा वायरलेस सिग्नल एकमेकांकडून त्यांचे सापेक्ष अंतर आणि स्थिती स्थापित करण्यासाठी डिव्हाइसमध्ये सामायिक करतात. परंतु तेथे एक स्नॅग आहेः प्रतिबिंबित पृष्ठभाग, अडथळे किंवा इतर हस्तक्षेप करणारे संकेत असलेल्या ठिकाणी जसे की इमारतींच्या अंतर्गत, भूमिगत बोगद्यात किंवा “शहरी खोबण” मध्ये उंच इमारती रस्त्याच्या दोन्ही बाजूंनी सपाट असतात अशा ठिकाणी अचूकतेचा मोठा त्रास होतो.

एमआयटी, फेरारा विद्यापीठ, बास्क सेंटर ऑफ एप्लाइड मॅथेमॅटिक्स (बीसीएएम) आणि दक्षिण कॅलिफोर्निया विद्यापीठातील संशोधकांनी अशी व्यवस्था विकसित केली आहे जी या गोंगाट, जीपीएस-नाकारलेल्या भागात देखील स्थानाची माहिती घेते. आयईईईच्या कार्यवाहीत सिस्टीमचे वर्णन करणारा एक पेपर आढळतो.

नेटवर्कमधील डिव्‍हाइसेस ज्यांना “नोडस्” म्हटले जाते, सिग्नल-अडथळा किंवा "कठोर" वातावरणात वायरलेस संवाद साधतात, तेव्हा सिस्टम नोड्स दरम्यान एक्सचेंज केलेले डोजी वायरलेस सिग्नलवरून विविध प्रकारच्या स्थानात्मक माहिती, तसेच डिजिटल नकाशे आणि अंतर्देशीय फ्यूज करते. डेटा. असे केल्याने, प्रत्येक नोड सर्व संभाव्य स्थानांशी संबंधित माहितीचा विचार करते - ज्यास “मऊ माहिती” म्हणतात - इतर सर्व नोड्सच्या संबंधात. सिस्टम मशीन-लर्निंग तंत्र आणि पद्धतींचा फायदा घेते जे मापन आणि संदर्भातील डेटामधून संभाव्य स्थिती निश्चित करण्यासाठी प्रक्रिया केलेल्या डेटाचे परिमाण कमी करते. ती माहिती वापरुन, ती नंतर नोडची स्थिती निश्चित करते.

कठोर परिस्थितीच्या अनुकरणात, सिस्टम पारंपारिक पद्धतींपेक्षा लक्षणीय कार्य करते. उल्लेखनीय म्हणजे, ते स्थानिकीकरण अचूकतेसाठी सैद्धांतिक मर्यादेजवळ सातत्याने करीत. शिवाय, वायरलेस वातावरण जसजसे वाढत चालले आहे, तसतशी पारंपारिक प्रणालीची अचूकता मोठ्या प्रमाणात कमी झाली, तर नवीन मऊ माहिती-आधारित प्रणाली स्थिर आहे.

“जेव्हा कठीण जास्तीत जास्त कठीण होते, तेव्हा आपली प्रणाली स्थानिकीकरण अचूक ठेवते,” एरोनॉटिक्स आणि ronस्ट्रोनॉटिक्स विभागातील माहिती आणि निर्णय आणि तंत्रज्ञान प्रयोगशाळेतील प्रयोगशाळेचे (एलआयडीएस) मो व विन म्हणतात. “कठोर वायरलेस वातावरणात, आपल्याकडे प्रतिबिंबे आणि प्रतिध्वनी आहेत ज्यामुळे स्थानाची अचूक माहिती मिळविणे खूप कठीण आहे. [एमआयटी कॅम्पसमधील] स्टॅटा सेंटर सारखी ठिकाणे विशेषतः आव्हानात्मक आहेत, कारण सर्वत्र असे संकेत दिसणारे पृष्ठभाग आहेत. अशा कठोर वायरलेस वातावरणात आमची मऊ माहिती पद्धत विशेषतः मजबूत आहे. ”

कागदावर विन मध्ये सामील होत आहेत: फेरारा विद्यापीठाची अँड्रिया कॉन्टी; बीसीएएम चा सॅन्टियागो माजुएलास; फेरारा युनिव्हर्सिटीच्या स्टीफानिया बार्टोलेट्टी; आणि दक्षिण कॅलिफोर्निया विद्यापीठातील विल्यम सी. लिंडसे.

“मऊ माहिती” कॅप्चर करत आहे

नेटवर्क लोकलायझेशनमध्ये, नोड्स सामान्यत: अँकर किंवा एजंट म्हणून ओळखले जातात. अँकर हे जीपीएस उपग्रह किंवा वायरलेस बेस स्टेशन सारख्या ज्ञात पोझिशन्ससह नोड्स आहेत. एजंट्स अशी नोड्स आहेत ज्यांची अज्ञात पोझिशन्स आहेत - जसे की स्वायत्त कार, स्मार्टफोन किंवा घालण्यायोग्य.

स्थानिकीकरण करण्यासाठी, एजंट्स संदर्भ बिंदू म्हणून अँकर वापरू शकतात किंवा ते स्वत: ला अभिमुख करण्यासाठी इतर एजंट्ससह माहिती सामायिक करू शकतात. त्यामध्ये वायरलेस सिग्नल प्रसारित करणे समाविष्ट आहे, जे प्राप्तिकांकडे स्थानिय माहिती घेऊन येतात. प्राप्त वेव्हफॉर्मची उर्जा, कोन आणि वेळेचे आगमन, उदाहरणार्थ, नोड्समधील अंतर आणि अभिमुखतेशी संबंधित आहे.

पारंपारिक स्थानिकीकरण पद्धती दोन नोड्समधील अंतर किंवा कोनाचे एकच मूल्य काढण्यासाठी सिग्नलचे एक वैशिष्ट्य काढतात. स्थानिकीकरण अचूकता संपूर्णपणे त्या जटिल (किंवा “हार्ड”) मूल्यांच्या अचूकतेवर अवलंबून असते आणि वातावरण कडक होत गेल्याने अचूकतेत घट झाली आहे.

म्हणा की नोड अनेक प्रतिबिंबित पृष्ठभाग असलेल्या इमारतीत 10 मीटर अंतरावर असलेल्या दुसर्‍या नोडला सिग्नल प्रसारित करते. सिग्नल सुमारे उसळी घेईल आणि 13 मीटर अंतरावरच्या एका वेळी प्राप्त नोडवर पोहोचू शकेल. पारंपारिक पद्धती बहुधा ते चुकीचे अंतर देतात.

नवीन कार्यासाठी, संशोधकांनी स्थानिकीकरणासाठी मऊ माहिती वापरण्याचा प्रयत्न करण्याचे ठरविले. सर्व संभाव्य अंतर, कोन आणि इतर मेट्रिक्सचे संभाव्य वितरण तयार करण्यासाठी ही पद्धत अनेक सिग्नल वैशिष्ट्ये आणि संदर्भीत माहितीचा लाभ देते. कॉन्टी म्हणतात, “याला 'मऊ माहिती' असे म्हणतात कारण आम्ही मूल्यांबद्दल कोणतीही कठोर निवड करीत नाही.

सिस्टीम वैशिष्ट्यांसह त्याची शक्ती, कोन आणि उड्डाणांच्या वेळेसह बरेच नमुने मोजतात. संदर्भित डेटा बाह्य स्रोतांकडून आला जसे की डिजिटल नकाशे आणि मॉडेल्स कॅप्चर करतात आणि अंदाज करतात की नोड कसे हलवते.

मागील उदाहरणाकडे परत: सिग्नलच्या आगमनाच्या वेळेच्या प्रारंभिक मोजमापाच्या आधारे, सिस्टम अद्याप नोड्स 13 मीटर अंतरावर असल्याची उच्च संभाव्यता नियुक्त करते. परंतु सिग्नलच्या काही उशीर किंवा उर्जा गमावण्याच्या आधारे ते 10 मीटर अंतरावर आहेत ही एक छोटीशी शक्यता निश्चित करते. प्रणाली आसपासच्या नोड्सवरून इतर सर्व माहिती फ्यूज केल्यामुळे ती प्रत्येक संभाव्य मूल्याची शक्यता सुधारते. उदाहरणार्थ, ते नकाशावर पिंग होऊ शकते आणि खोलीचे लेआउट दोन्ही नोड 13 मीटर अंतरावर असण्याची शक्यता नसल्याचे दर्शविते. सर्व अद्ययावत माहिती एकत्र करून, हे ठरवते की नोड 10 मीटर अंतरावर असलेल्या स्थितीत असेल.

"शेवटी, ते कमी-संभाव्यतेच्या मूल्यांचे महत्त्व ठेवून," विन म्हणतात. “एक निश्चित मूल्य देण्याऐवजी, मी तुम्हाला सांगत आहे की आपण 13 मीटर अंतरावर आहात याचा मला खरोखर विश्वास आहे, परंतु आपण अगदी जवळ आहात अशी एक लहान शक्यता आहे. हे अतिरिक्त माहिती देते जी नोड्सची स्थिती निश्चित करण्यात महत्त्वपूर्ण फायदा करते. ”

गुंतागुंत कमी करणे

सिग्नलमधून बरीच वैशिष्ट्ये काढणे, तथापि, मोठ्या परिमाणांसह डेटा बनवते जे सिस्टमसाठी खूपच जटिल आणि अकार्यक्षम असू शकते. कार्यक्षमता सुधारण्यासाठी, संशोधकांनी सर्व सिग्नल डेटा कमी-आयाम आणि सहजपणे संगणकीय जागेत कमी केले.

असे करण्यासाठी, त्यांनी प्राप्त केलेल्या वेव्हफॉर्मचे पैलू ओळखले जे “मुख्य घटक विश्लेषणावर” आधारित पिनपॉइंटिंगसाठी सर्वात उपयुक्त आहेत, असे तंत्र जे बहुआयामी डेटासेटमध्ये सर्वात उपयुक्त पैलू ठेवते आणि उर्वरित भाग वगळते, कमीसह डेटासेट तयार करते परिमाण. जर प्राप्त झालेल्या वेव्हफॉर्ममध्ये प्रत्येकी 100 नमुने मोजमाप असतील तर तंत्र त्या संख्येला आठ, असे आठवते.

मोजमाप आणि संदर्भात्मक डेटामधून संभाव्य पोझिशन्स वर्णन करणारे सांख्यिकीय मॉडेल शिकण्यासाठी एक अंतिम नवीनता मशीन-लर्निंग तंत्र वापरत होती. हे मॉडेल पार्श्वभूमीवर चालते की हे सिग्नल-बाउंसिंग मापनांवर कसे परिणाम करते, यामुळे सिस्टमची अचूकता आणखी सुधारित करण्यात मदत होईल.

सर्व आवश्यक माहिती संक्रमित किंवा गणना करू शकत नाही अशा स्त्रोत-पट्ट्या असलेल्या नोड्ससह कार्य करण्यासाठी कमी मोजण्याची शक्ती वापरण्याचे मार्ग संशोधक आता डिझाइन करीत आहेत. ते सिस्टीमला “डिव्हाइस-मुक्त” लोकॅलायझेशनवर आणण्यावरही काम करीत आहेत, जिथे काही नोड माहिती सामायिक करू शकत नाहीत किंवा सामायिक करू शकत नाहीत. हे सिग्नल या नोड्सच्या मागे कसे बसतात याविषयी माहिती वापरेल, जेणेकरून इतर नोड्स त्यांना माहित आहेत की ते अस्तित्त्वात आहेत आणि ते कोठे आहेत.

0 Comments: