Le système aide les dispositifs intelligents à trouver leur position

Un nouveau système mis au point par des chercheurs du MIT et d’ailleurs aide les réseaux de dispositifs intelligents à coopérer pour trouver leur position dans des environnements où le GPS tombe habituellement en panne.

Aujourd’hui, le concept d' »internet des objets » est assez bien connu : des milliards de capteurs interconnectés dans le monde entier – embarqués dans des objets, équipements et véhicules du quotidien, ou portés par des êtres humains ou des animaux – collectent et partagent des données pour toute une série d’applications.

Un concept émergent, la « localisation des choses », permet à ces appareils de détecter et de communiquer leur position. Cette capacité pourrait être utile pour la surveillance de la chaîne d’approvisionnement, la navigation autonome, les villes intelligentes hautement connectées et même pour former une  » carte vivante  » du monde en temps réel. Les experts prévoient que le marché de la localisation des choses atteindra 128 milliards de dollars d’ici 2027.

Le concept repose sur des techniques de localisation précises. Les méthodes traditionnelles utilisent les satellites GPS ou les signaux sans fil partagés entre les appareils pour établir leurs distances et positions relatives les unes par rapport aux autres. Mais il y a un hic : la précision souffre beaucoup dans les endroits avec des surfaces réfléchissantes, des obstructions ou d’autres signaux parasites, comme à l’intérieur des bâtiments, dans les tunnels souterrains ou dans les « canyons urbains » où les grands bâtiments flanquent les deux côtés d’une rue.

Des chercheurs du MIT, de l’Université de Ferrare, du Centre basque de mathématiques appliquées (BCAM) et de l’Université de Californie du Sud ont mis au point un système qui saisit les informations de localisation même dans ces zones bruyantes, où le GPS est absent. Un document décrivant le système apparaît dans la section Actes de l’IEEE.

Lorsque des dispositifs d’un réseau, appelés « nœuds », communiquent sans fil dans un environnement « dur », le système fusionne différents types d’informations de position à partir de signaux sans fil douteux échangés entre les nœuds, ainsi que des cartes numériques et des données inertielles. Ce faisant, chaque nœud considère les informations associées à tous les emplacements possibles – appelées « informations douces » – par rapport à celles de tous les autres nœuds. Le système utilise des techniques d’apprentissage machine et des techniques qui réduisent les dimensions des données traitées pour déterminer les positions possibles à partir des mesures et des données contextuelles. À l’aide de cette information, il localise ensuite la position du nœud.

Dans les simulations de scénarios difficiles, le système fonctionne nettement mieux que les méthodes traditionnelles. Il s’est notamment maintenu à un niveau proche de la limite théorique de la précision de localisation. De plus, à mesure que l’environnement sans fil se détériorait, la précision des systèmes traditionnels a chuté de façon spectaculaire, tandis que le nouveau système souple fondé sur l’information est demeuré stable.

« Moe Win, professeur au Département d’aéronautique et d’astronautique et au Laboratoire des systèmes d’information et de décision (LIDS) et directeur du Laboratoire des sciences de l’information et des réseaux sans fil, explique :  » Quand les choses deviennent plus difficiles, notre système garde la localisation précise. « Dans les environnements sans fil difficiles, vous avez des réflexions et des échos qui rendent beaucoup plus difficile l’obtention d’informations de localisation précises. Des endroits comme le Stata Center (sur le campus du MIT) sont particulièrement difficiles, car il y a des surfaces réfléchissantes partout. Notre méthode d’information douce est particulièrement robuste dans des environnements sans fil aussi rudes. »

Rejoindre Win sur le papier, c’est : Andrea Conti de l’Université de Ferrare ; Santiago Mazuelas du BCAM ; Stefania Bartoletti de l’Université de Ferrare ; et William C. Lindsey de l’Université de Southern California.

Capture d' »informations douces

Dans la localisation de réseau, les nœuds sont généralement appelés ancres ou agents. Les ancres sont des nœuds dont la position est connue, comme les satellites GPS ou les stations de base sans fil. Les agents sont des nœuds qui ont des positions inconnues – comme des voitures autonomes, des smartphones ou des portables.

Pour localiser, les agents peuvent utiliser des ancres comme points de référence ou ils peuvent partager des informations avec d’autres agents pour s’orienter. Cela implique la transmission de signaux sans fil, qui arrivent au récepteur en transportant l’information de position. La puissance, l’angle et l’heure d’arrivée de la forme d’onde reçue, par exemple, dépendent de la distance et de l’orientation entre les nœuds.

Les méthodes de localisation traditionnelles extraient une caractéristique du signal pour estimer une valeur unique pour, disons, la distance ou l’angle entre deux nœuds. La précision de la localisation dépend entièrement de la précision de ces valeurs inflexibles (ou « dures »), et il a été démontré que la précision diminue considérablement à mesure que les environnements deviennent plus rudes.

Disons qu’un nœud transmet un signal à un autre nœud situé à 10 mètres de distance dans un bâtiment comportant de nombreuses surfaces réfléchissantes. Le signal peut rebondir et atteindre le nœud de réception à une distance de 13 mètres. Les méthodes traditionnelles attribueraient probablement cette distance incorrecte comme valeur.

Pour le nouveau travail, les chercheurs ont décidé d’essayer d’utiliser de l’information douce pour la localisation. La méthode s’appuie sur de nombreuses caractéristiques du signal et des informations contextuelles pour créer une distribution de probabilité de toutes les distances, angles et autres mesures possibles. C’est ce qu’on appelle une  » information douce  » parce que nous ne faisons pas de choix difficiles au sujet des valeurs « , dit Conti.

Le système prend de nombreuses mesures d’échantillons des caractéristiques du signal, y compris sa puissance, son angle et son temps de vol. Les données contextuelles proviennent de sources externes, comme les cartes et les modèles numériques qui saisissent et prédisent les mouvements du nœud.

Retour à l’exemple précédent : En se basant sur la mesure initiale de l’heure d’arrivée du signal, le système attribue toujours une probabilité élevée que les nœuds soient distants de 13 mètres. Mais il y a une petite possibilité qu’ils soient à 10 mètres l’un de l’autre, en fonction d’un retard ou d’une perte de puissance du signal. Comme le système fusionne toutes les autres informations des nœuds environnants, il met à jour la probabilité pour chaque valeur possible. Par exemple, il pourrait pinger une carte et voir que la disposition de la pièce montre qu’il est très improbable que les deux nœuds soient distants de 13 mètres. En combinant toutes les informations mises à jour, il décide que le nœud est beaucoup plus susceptible d’être dans la position qui est à 10 mètres.

« En fin de compte, il est important de conserver cette faible valeur de probabilité « , dit M. Win. « Au lieu de donner une valeur précise, je vous dis que je suis vraiment confiant que vous êtes à 13 mètres, mais il y a une plus petite possibilité que vous soyez aussi plus près. Cela donne des informations supplémentaires qui sont très utiles pour déterminer la position des nœuds. »

Réduire la complexité

Cependant, l’extraction de nombreuses caractéristiques des signaux conduit à des données de grandes dimensions qui peuvent être trop complexes et inefficaces pour le système. Pour améliorer l’efficacité, les chercheurs ont réduit toutes les données du signal dans un espace de dimension réduite et facilement calculable.

Pour ce faire, ils ont identifié les aspects des formes d’onde reçues qui sont les plus et les moins utiles pour localiser l’emplacement en se basant sur « l’analyse en composantes principales », une technique qui conserve les aspects les plus utiles dans des ensembles de données multidimensionnelles et rejette le reste, créant un ensemble de données aux dimensions réduites. Si les formes d’onde reçues contiennent 100 mesures d’échantillons chacune, la technique pourrait réduire ce nombre à, disons, huit.

Une dernière innovation a été l’utilisation de techniques d’apprentissage machine pour apprendre un modèle statistique décrivant les positions possibles à partir de mesures et de données contextuelles. Ce modèle s’exécute en arrière-plan pour mesurer la façon dont le rebond du signal peut affecter les mesures, ce qui permet d’affiner davantage la précision du système.

Les chercheurs conçoivent maintenant des moyens d’utiliser moins de puissance de calcul pour travailler avec des nœuds à court de ressources qui ne peuvent pas transmettre ou calculer toute l’information nécessaire. Ils s’efforcent également d’amener le système à une localisation « sans appareil », où certains nœuds ne peuvent pas ou ne veulent pas partager l’information. Ceci utilisera des informations sur la rétrodiffusion des signaux à partir de ces nœuds, afin que les autres nœuds sachent qu’ils existent et où ils se trouvent.