由MIT和其他地方的研究人员设计的系统使互联的智能设备能够协同地确定其在GPS通常失败的嘈杂环境中的位置，这对于新兴的“本地化”应用是有用的。
由MIT和其他地方的研究人员开发的一个新系统有助于智能设备的网络合作，在GPS通常失败的环境中找到其位置。
今天，“东西互联网”的概念是相当众所周知的：世界各地的数十亿互连的传感器 - 嵌入日常物体，设备和车辆中，或由人类或动物佩戴 - 收集和共享一系列应用程序。
一个新兴的概念，“事物的本地化”，使这些设备能够感测和传达它们的位置。这种能力可以有助于供应链监控，自主导航，高度相互关联的智能城市，甚至形成世界的实时“生活地图”。专家项目，本土化市场将增长至1280亿美元到2027美元。
概念铰链在精确的本地化技巧上。传统方法利用GPS卫星或在设备之间共享的无线信号来建立其相对距离和彼此的位置。但是有一个障碍：准确性在具有反射表面，障碍物或其他干扰信号的地方有很大影响，例如建筑物内部建筑物，地下隧道，或在“城市峡谷”中，高层建筑侧面侧面的街道。
来自MIT的研究人员，法拉拉大学，应用数学（BCAM）和南加利福尼亚大学制定了一个系统，即使在这些嘈杂，GPS拒绝的地区也捕获了位置信息。描述系统的论文显示在IEEE的程序中。
当网络中的设备中的设备在信号阻碍或“苛刻”环境中无线通信时，系统融合了从节点之间交换的狡猾无线信号以及数字地图和惯性的各种类型的位置信息数据。在这样做时，每个节点都认为与所有可能位置相关的信息 - 与所有其他节点的所有可能的位置相关联。该系统利用机器学习技术和技术来减少处理数据的尺寸以确定来自测量和上下文数据的可能位置。使用该信息，然后确定节点的位置。
在恶劣场景的模拟中，系统比传统方法更好地运行。值得注意的是，它一直在定位精度的理论限制附近进行。此外，随着无线环境越来越差的，传统的系统的准确性大幅下降，而基于软信息的系统保持稳定。
“当艰难变得更加强硬时，我们的系统保持本地化准确，”航空航天部门教授，以及信息和决策系统（盖子）的教授，以及无线信息和网络图表的RESE。“在恶劣的无线环境中，您有反射和回声，使得获得准确的位置信息更难。像Stata Center [在麻省理工学院校园]这样的地方尤其具有挑战性，因为有表面反射信号到处都是。我们的软信息方法在这种苛刻的无线环境中特别强大。“
加入纸张：法拉拉大学的安德烈·纳迪;圣地亚哥Mazuelas的BCAM;法拉拉大学的Stefania Bartoletti;威廉C.南加州大学林赛。
捕获“软信息”
在网络本地化中，节点通常被称为锚或代理。锚点是具有已知位置的节点，例如GPS卫星或无线基站。代理是具有未知位置的节点 - 例如自动车辆，智能手机或可穿戴设备。
本地化，代理商可以使用锚点作为参考点，或者他们可以与其他代理商共享信息来定位自己。涉及发送到达接收机承载位置信息的无线信号。例如，接收波形的电源，角度和到达时间与节点之间的距离和方向相关。
传统的本地化方法提取信号的一个特征以估计两个节点之间的单个值，例如距离或角度。本地化准确性完全依赖于那些不灵活的（或“硬”）值的准确性，并且随着环境变得骚扰，准确度被证明可以急剧下降。
假设节点将信号发送到另一个节点，该节点在具有许多反射表面的建筑物中10米处。信号可以反弹并在对应于13米的时间到达接收节点。传统方法可能将该不正确的距离视为值。
对于新工作，研究人员决定尝试使用软信息进行本地化。该方法利用许多信号特征和上下文信息来创建所有可能的距离，角度和其他度量的概率分布。“它被称为”软信息“，因为我们没有对这些值进行任何努力选择，”Conti说。
该系统采用许多信号特征的样本测量，包括其电源，角度和飞行时间。上下文数据来自外部源，例如捕获和预测节点移动方式的数字地图和模型。
回到前面的例子：基于信号到达时间的初始测量，系统仍会分配节点分开13米的高概率。但它根据信号的某些延迟或功率损耗，分配了它们10米的可能性。随着系统融合来自周围节点的所有其他信息，它会更新每个可能值的可能性。例如，它可以ping地图，看看房间的布局显示它非常不太可能两个节点分开13米。结合所有更新的信息，它决定节点更有可能处于10米的位置。
“最终，保持低概率的价值问题，”赢得了。“而不是给出一个明确的价值，我告诉你，我真的很自信，你距离13米，但你还有更小的可能性。这提供了额外的信息，可以在确定节点的位置时显着益处。“
减少复杂性
然而，从信号中提取许多特征导致具有大维度的数据，这对于系统来说太复杂并且效率低。为了提高效率，研究人员将所有信号数据还原成减压和易于计算的空间。
为此，它们确定了基于“主成分分析”的基于“主成分分析”来定位位置的接收波形的方面，这是一种在多维数据集中保持最有用的方面并丢弃其余的技术，并创建具有减少的数据集方面。如果接收波形包含每个样本测量，则该技术可能会减少该数字，例如，八个。
最终的创新是使用机器学习技术来学习描述来自测量和上下文数据的可能位置的统计模型。该模型在后台运行，以衡量信号弹跳的方式如何影响测量值，有助于进一步优化系统的准确性。
研究人员正在设计使用较少计算能力的方法来使用无法传输或计算所有必要信息的资源划分的节点。它们还致力于将系统带到“无设备”本地化，其中一些节点不能或不会共享信息。这将使用有关信号如何回溯这些节点的信息，因此其他节点知道它们存在以及它们所在的位置。
参考：Andrea Conti，Santiago Mazuelas，Stefania Bartoletti，William C. Lindsey和Moe Z.Win，2019年9月9日，IEEE.DOI 9月9日，Santiago Mazuelas，Santiago Mazuelas，Stefania Bartoletti，Santiam C. Lindsey和Moe Z.Doi诉讼：
10.1109 / JPROC.2019.2905854
