Localização 3D em ambientes internos com redes bluetooth low energy utilizando técnicas de aprendizado de máquina

• Autor(a) principal: Oliveira, Alexandre Felipe de
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/213918
• topic: Localização; Internet das coisas; Inteligência artificial; Internet of things; Location; Artificial intelligence

Recentemente, aplicações de localização em ambientes internos e fechados têm utilizado uma infraestrutura de redes de sensores sem fio, com tecnologias de comunicação como Wi-Fi, Bluetooth, Zigbee, UWB (Ultra Wideband), entre outras. Neste tipo de implementação tipicamente estão presentes um dispositivo móvel - cuja posição será estimada - e dispositivos fixos - denominados âncoras - que servem como pontos de referência. O processo de estimativa de localização é feito a partir da comunicação entre estes dois elementos. Contudo, esse sinal, em ambientes internos, está sujeito a interferências e depreciações em sua qualidade. Algoritmos de Aprendizado de Máquina têm sido aplicados nesse cenário com o intuito de estimar a posição de dispositivos a partir dos sinais das entradas das âncoras. O treinamento desses algoritmos requer uma base de dados que mapeie os sinais de entrada das múltiplas âncoras disponíveis no ambiente - tal como recebidos - para a posição do dispositivo que as recebeu. Essa abordagem é denominada de análise de cena, ou simplesmente fingerprint. Nesse cenário, utilizando como parâmetro de entrada os níveis de potência de sinal (RSSI) recebidos das âncoras no ambiente, é razoável assumir como hipótese que aquelas com sinais de maior potência sejam mais relevantes para os algoritmos de localização. Utilizando esta estratégia, o presente trabalho propõe a adoção de um filtro de âncoras como metodologia para reduzir o número de sinais a serem observados pelos algoritmos de localização. Utilizando a tecnologia sem fio Bluetooth Low Energy e como métrica o indicador RSSI, uma base de dados de localização 3D com diversas âncoras foi experimentalmente levantada em um ambiente interno. Com a abordagem de filtro de âncoras foram implementadas e testadas 3 técnicas de Aprendizado de Máquina para estimação de localização: K-vizinhos mais próximos (KNN), árvore de regressão e redes neurais artificiais. Os testes realizados demonstraram que, no contexto do ambiente e dos algoritmos escolhidos, utilizando o sinal de a partir de 3 âncoras do ambiente já é possível obter um nível satisfatório de qualidade na localização.