Sistema de localização em ambiente fechado

• Processo: 19/00850-0
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de maio de 2020
• Data de Término da vigência: 30 de abril de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Matemática - Matemática Aplicada
• Pesquisador responsável: Alexandre Picchi Neves
• Beneficiário: Alexandre Picchi Neves
• Empresa: Lumminy Consultoria e Serviços em Informática Ltda
• CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis ; Consultoria em tecnologia da informação ; Atividades de monitoramento de sistemas de segurança
• Município: Indaiatuba
• Pesquisadores principais: Francisco de Assis Magalhães Gomes Neto
• Bolsa(s) vinculada(s): 20/05802-1 - Sistema de localização em ambiente fechado, BP.TT; 20/06436-9 - Sistema de localização em ambiente fechado, BP.TT
• Assunto(s): Aprendizado computacional Otimização Análise numérica Processos de Markov Sistema de posicionamento global (GPS) Geolocalização Ambientes fechados
• Palavra(s)-Chave do Pesquisador: Análise Numérica | Aprendizado de Máquina | Modelo Oculto de Markov | Otimização

Resumo

O GPS (Global Positioning System) é o método mais utilizado para geolocalização em locais abertos. No entanto, para lugares fechados, como indústrias e hospitais, esse modelo não funciona devido às limitações do alcance dos satélites e às perdas de sinal. Em uma primeira etapa desse projeto, analisamos algumas opções de tecnologia voltadas para ambientes fechados, como Wi-Fi, RFID (Identificação por rádio frequência), Bluetooth, NFC, banda ultralarga, infravermelho e sensores magnéticos. Muitas tecnologias avaliadas foram descartadas por não atingirem precisão satisfatória. Outras, como os crachás ativos, são caras e de difícil implantação. Por outro lado, com seu baixo custo, facilidade de implementação e boa resolução, a tecnologia Wi-Fi adapta-se bem à localização de pessoas em movimento dentro de ambientes fechados. Dentre as estratégias de localização baseadas em Wi-Fi, escolhemos aquela baseada no Indicador de Intensidade do Sinal Recebido (RSSI). O valor do RSSI representa a intensidade do sinal transmitido por um ponto de acesso (AP), que perde força à medida que se propaga. Quanto mais próximo do ponto de acesso, melhor será a intensidade do sinal. Entretanto, a intensidade do sinal wireless também sofre interferência de fatores como a sensibilidade do receptor, a atenuação do meio, a perda de caminho e a influência de outros sinais presentes no meio. A metodologia que utilizamos consiste em capturar a potência do sinal de antenas estrategicamente localizadas e usá-la como uma impressão digital (fingerprint) do local no qual se encontra o sensor, de acordo com suas características ambientais particulares (distância, sinal, temperatura, umidade, ruído etc.). O método baseado na impressão digital é composto por duas fases distintas. A primeira é a fase de calibração, na qual são coletadas informações sobre vários pontos de um determinado ambiente, para que cada ponto ganhe uma impressão digital única (gerada por algoritmos determinísticos ou probabilísticos), que é registrada em um banco de dados. A segunda fase é aquela em que se estima o local do indivíduo com base dos dados capturados anteriormente. Quando um indivíduo portando um sensor deseja conhecer sua posição, ele registra os dados do ponto em que está localizado, cria uma impressão digital e a compara com o banco de dados. O ponto que obtiver as informações mais próximas do ponto enviado pelo sensor, indica sua posição. Em uma primeira etapa desse projeto, obtivemos bons resultados aplicando a estratégia de impressão digital em um ambiente controlado. Entretanto, essa técnica pode apresentar erros relevantes quando usada em um ambiente industrial usual. Nessa segunda etapa do projeto, pretendemos aprimorar a precisão dos resultados obtidos, combinando a detecção da impressão digital com modelos ocultos de Markov (HMM), que vêm sendo usados de forma satisfatória em diversas áreas, que vão do reconhecimento de fala à predição de genes. Para o problema de localização, o HMM associa uma série de estados ocultos - as posições do sensor - àquilo que é observável, ou seja, os sinais RSSI, e determina qual trajetória tem maior probabilidade de ter sido percorrida pelo sensor, permitindo a determinação de sua posição atual. (AU)