人工智能改善了工业环境中物体的定位

室内定位技术是工业部门数字化转型的驱动力之一。准确、廉价地跟踪物体、资产和人员的能力可以为从物流到医疗保健等各个领域的公司节省资源、时间和金钱。

XavierVilajosana是UOC(加泰罗尼亚奥伯塔大学)计算机科学、多媒体和电信学院教授兼互联网跨学科研究所(IN3)无线网络小组(WINE)的负责人，他正在协调该大学参与一项新的计划。正在开发创新解决方案以改善室内环境位置的欧洲项目。

DUNE使用深度学习技术与分布式计算系统相结合，利用云计算和边缘计算。换句话说，这些计算架构既可以在远程服务器上运行，也可以在生成数据的地方附近运行。目的是创建一个多功能系统，该系统使用各种可用的技术，并且可以适应不同的潜在使用情况。

“今天有许多技术方法试图利用无线电信号的特性作为获得物体之间相对位置的工具。这种技术多样性和可以使用它们的广泛情况，具有高度多样化的预算和环境应用程序，意味着我们需要开发一个强大的框架来实时管理来自不同技术的位置数据，同时能够适应多种工业需求并且具有经济吸引力，”XavierVilajosana解释说。

使用深度学习技术辅助定位

室内资产定位使用接收设备的视点来推断物体发出的信号来自哪个方向，然后将此信息转换为对其位置的估计。该技术面临的主要挑战之一是信号发射器和接收器之间的障碍物(尤其是在工业环境中)和多径传播所产生的较大误差范围。多径传播是导致无线电信号在不同时间通过两条或多条路径到达接收天线的现象。

出于这个原因，信号处理是必不可少的——否则会出现歧义，导致物体位置出现错误。面对这一挑战，DUNE在定位过程的各个阶段结合了由深度学习技术辅助的定位机制，以实现最佳性能。深度学习涉及一种机器学习算法，可以训练它从输入中学习，然后可以使用该知识根据新信息得出结论。研究人员解释说：“数据是使用不同的方法处理的，例如深度学习方法，这些方法经过训练可以选择最能定位被跟踪对象的位置估计。”

分布式计算策略

该项目还将利用从云到边缘和远边缘计算的不同计算架构。换句话说，不是集中策略，而是将计算分布在靠近数据源的各个节点，以减少云计算过程，从而减少服务器的响应时间和带宽，同时提高安全性的数据。

该系统是完全分布式的，由放置在待定位对象上的各种传感器和定位技术组成。这些设备会生成原始数据的痕迹，这些原始数据必须经过处理才能获得其估计的各个位置。初始数据处理发生在“远边缘”，即在发射信号的天线附近。

数据实时更新

定位器的天线阵列接收来自连接到要跟踪的物体或人的传感器的无线电信号。必须转换这些数据以估计定义信号方向的角度并提供实时更新。“在一个完美的世界中，这种转换是一个几何过程，它取决于天线(距离)和射频(波长)之间的空间。然而，这些环境会受到噪音和不规则性的影响，”XavierVilajosana强调说。

“在解决这些问题时，”他继续说，“深度学习方法可以成为获得物体位置准确估计的非常有价值的工具。”

使用其他“边缘”设备进行实时数据处理和聚合以提高系统性能。此时添加了另一个过滤步骤，以改进信号转换并能够结合不同的技术，使用深度学习和其他方法。

云中的基础设施

估计的位置从这些边缘设备实时传送到云基础设施，该基础设施连接到工厂的信息系统或工作所在的物流仓库。在云端，先进的人工智能方法可用于纠正、改进、分类、检测异常和优化操作。

该云基础设施处理对象的显示和跟踪，并将此信息与其他子系统(例如工厂或仓库库存中的子系统)连接和关联。

大型试验台

该技术方案将在整个项目中进行评估，将在不同场景下持续12个月，并将其结果与当前其他技术解决方案进行比较。首先，将在研究小组自己的实验室进行测试，随后将在专门为此类实验设计的建筑物中进行大规模测试，该建筑物的面积为1,000m2并且能够实现不同的待评估的技术。