系统帮助智能设备找到它们的位置

麻省理工学院和其他地方的研究人员开发了一种新系统，帮助智能设备网络合作，在GPS通常失效的环境中找到它们的位置。

今天，“物联网”的概念已经相当出名:世界各地数十亿个相互连接的传感器——嵌入日常物品、设备和车辆，或人类或动物佩戴的传感器——为各种应用程序收集和共享数据。

一个新兴的概念，“事物的本地化”，使这些设备能够感知和传达它们的位置。这种能力可能有助于供应链监控、自主导航、高度互联的智能城市，甚至形成一个实时的世界“活地图”。专家预测，到2027年，本地化市场将增长到1280亿美元。

这一概念取决于精确的定位技术。传统的方法是利用GPS卫星或设备之间共享的无线信号来建立它们之间的相对距离和位置。但有一个障碍:在有反射面、障碍物或其他干扰信号的地方，比如建筑物内部、地下隧道或高楼林立的“城市峡谷”，准确性会受到很大影响。

来自麻省理工学院、费拉拉大学、巴斯克应用数学中心(BCAM)和南加州大学的研究人员开发了一种系统，即使在这些嘈杂的、没有gps的地区，也能捕捉到位置信息。一篇描述该系统的论文发表在《IEEE学报》上。

当网络中的设备(称为“节点”)在信号阻塞或“恶劣”的环境中进行无线通信时，系统会融合节点之间交换的可疑无线信号、数字地图和惯性数据中各种类型的位置信息。在此过程中，每个节点考虑与所有可能位置相关的信息(称为“软信息”)，这些信息与所有其他节点的位置相关。该系统利用机器学习技术和减少处理数据维度的技术，从测量和上下文数据确定可能的位置。然后使用该信息确定节点的位置。

在模拟严酷的情况下，该系统的运行明显优于传统方法。值得注意的是，它的定位精度始终接近理论极限。此外，随着无线环境的日益恶化，传统系统的准确性急剧下降，而新的软信息系统保持稳定。

Moe Win是航空航天系和信息与决策系统实验室(LIDS)的教授，也是无线信息与网络科学实验室的负责人。“在恶劣的无线环境中，你会遇到反射和回声，这使得获取准确的位置信息变得更加困难。像Stata中心(位于麻省理工学院校园内)这样的地方尤其具有挑战性，因为到处都是反射信号的表面。我们的软信息方法在如此恶劣的无线环境下尤其健壮。”

论文中加入Win的有:费拉拉大学(University of Ferrara)的安德烈·孔蒂(Andrea Conti);BCAM的圣地亚哥·马祖拉斯;费拉拉大学的Stefania Bartoletti;以及南加州大学的威廉·c·林赛。

捕捉“软信息”

在网络定位中，节点通常被称为锚点或代理。锚点是具有已知位置的节点，如GPS卫星或无线基站。代理是具有未知位置的节点——例如自动驾驶汽车、智能手机或可穿戴设备。

为了本地化，代理可以使用锚作为参考点，或者它们可以与其他代理共享信息来定位自己。这涉及到无线信号的传输，这些信号到达接收器时携带着位置信息。例如，接收波形的功率、角度和到达时间与节点之间的距离和方向相关。

传统的定位方法提取信号的一个特征来估计单个值，比如两个节点之间的距离或角度。定位精度完全依赖于那些不灵活(或“硬”)值的精度，而且精度已被证明随着环境变得更严酷而急剧下降。

假设一个节点向10米外的另一个节点发送信号，这个节点所在的建筑物有很多反射面。信号可以在13米外的对应时间反弹并到达接收节点。传统的方法可能会将不正确的距离赋值。

对于这项新工作，研究人员决定尝试使用软信息进行定位。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。“这被称为‘软信息’，因为我们不会对价值观做出任何艰难的选择，”孔蒂说。

该系统对信号特征进行了多次采样测量，包括功率、角度和飞行时间。上下文数据来自外部来源，如数字地图和模型，它们捕获并预测节点如何移动。

回到前面的例子:基于对信号到达时间的初始测量，系统仍然认为节点之间相距13米的概率很高。但根据信号的延迟或功率损耗，它们之间有10米远的可能性很小。当系统融合周围节点的所有其他信息时，它会更新每个可能值的可能性。例如，它可以打开地图，看到房间的布局显示，两个节点相距13米的可能性非常小。结合所有更新的信息，它决定节点更有可能在10米之外的位置。

“最后，保持低概率值还是很重要的，”Win说。“我不是给出一个确切的值，而是告诉你，我非常确信你离我有13米远，但你离我更近的可能性更小。这提供了额外的信息，对确定节点的位置有很大的好处。”

降低复杂度

然而，从信号中提取许多特征会导致数据维数很大，对于系统来说太复杂和效率低下。为了提高效率，研究人员将所有的信号数据简化为一个降维的、易于计算的空间。

为了做到这一点，他们根据“主成分分析”(一种将最有用的方面保留在多维数据集中并抛弃其余部分的技术)，确定了接收到的波形中对精确定位最有用和最没用的方面，从而创建了维数减少的数据集)。如果接收到的波形每个包含100个样本测量值，这项技术可能会将这个数字减少到，比如说，8个。

最后一个创新是使用机器学习技术来学习一个统计模型，该模型通过测量和上下文数据来描述可能的位置。该模型在后台运行，以测量信号反弹可能如何影响测量结果，这有助于进一步提高系统的准确性。

研究人员现在正在设计一种方法，使用更少的计算能力来处理资源紧张的节点，这些节点无法传输或计算所有必要的信息。他们还致力于使系统实现“无设备”本地化，即一些节点不能或不愿共享信息。这将使用有关信号如何从这些节点反向散射的信息，以便其他节点知道它们的存在及其位置。