Teknoloji

GPS’in Çalışmadığı Ortamlarda Konum Bulmaya Yardımcı Olan Yeni Sistem

Bağlı cihazlar artık gürültülü, GPS tarafından engellenmiş alanlarda bile konum bilgilerini paylaşabilir. MIT araştırmacıları tarafından geliştirilen bu yeni bir sistem; akıllı cihaz ağlarının, GPS'in genellikle başarısız olduğu ortamlarda konumlarını bulmak için işbirliği yapmalarına yardımcı olmaktadır.

Bağlı cihazlar artık gürültülü, GPS tarafından engellenmiş alanlarda bile konum bilgilerini paylaşabilir.
MIT araştırmacıları tarafından geliştirilen bu yeni bir sistem; akıllı cihaz ağlarının, GPS’in genellikle başarısız olduğu ortamlarda konumlarını bulmak için işbirliği yapmalarına yardımcı olmaktadır.

Bugün, “nesnelerin interneti” kavramı oldukça iyi bilinmektedir: Dünyadaki milyarlarca birbirine bağlı sensör (gündelik nesnelere, ekipmanlara ve araçlara yerleştirilmiş veya insanlar ya da hayvanlar tarafından giyilen) çeşitli uygulamalar için veri toplar ve paylaşır.

Ortaya çıkan konsept; “şeylerin yerelleştirilmesi”, (localization of things) bu cihazların konumlarını algılayıp, paylaşmalarını sağlar. Bu yetenek; tedarik zinciri izleme, özerk navigasyon, çok bağlantılı akıllı şehirler ve hatta dünyanın gerçek zamanlı bir “canlı haritası” oluşturulmasında yardımcı olabilir. Uzmanlar, “yerel şeylerin” pazarının 2027 yılına kadar 128 milyar dolara çıkacağını öngörüyor.

Kavram; hassas yerelleştirme tekniklerine dayanır. Geleneksel yöntemler; birbirlerine göre mesafelerini ve konumlarını belirlemek için cihazlar arasında paylaşılan GPS uydularını veya kablosuz sinyalleri kullanır. Ancak yansıtıcı yüzeyler, engeller veya iç binalar gibi yeraltı tünellerinde veya yüksek binaların bir sokağın her iki tarafını çevrelediği “kentsel kanyonlar” gibi diğer engelleyici sinyalleri olan yerlerde, büyük ölçüde yetersiz kalıyor.

MIT, Ferrara Üniversitesi, Bask Uygulamalı Matematik Merkezi (BCAM) ve Güney Kaliforniya Üniversitesi’nden araştırmacılar; bu gürültülü, GPS tarafından reddedilen bu alanlarda bile konum bilgilerini toplayan bir sistem geliştirdiler.

“Düğümler” olarak adlandırılan bir ağdaki aygıtlar; sinyal engelleyici veya “sert” bir ortamda kablosuz olarak iletişim kurduğunda, sistem, düğümler arasında paylaşılan tehlikeli kablosuz sinyallerden ve dijital haritalardan gelen çeşitli konumsal bilgileri birleştirir. Bunu yaparken, her bir düğüm diğer bütün düğümlerinkilerle ilişkili olarak “yumuşak bilgi” (soft information) adı verilen tüm olası konumlarla ilişkili bilgileri dikkate alır. Sistem, ölçümlerden ve bağlamsal verilerden olası pozisyonları belirlemek için işlenmiş verilerin boyutlarını azaltan makine öğrenme tekniklerini kullanır. Bu bilgiyi kullanarak, düğümün konumunu tam olarak belirtir.

Sert senaryo simülasyonlarında; sistem geleneksel yöntemlerden daha iyi çalışır. Özellikle, yerelleştirme doğruluğu için teorik sınırın yakınında tutarlı bir şekilde gerçekleştirilmiştir. Dahası; kablosuz ortam gittikçe kötüleştikçe, yeni yumuşak bilgi tabanlı sistem sabit kalırken, geleneksel sistemlerin doğruluğu çarpıcı biçimde azaldı.

“Yumuşak Bilgi” Yakalama

Ağ yerelleştirmede, düğümler genellikle çapa veya aracı olarak adlandırılır. Çapalar; (Anchors) GPS uyduları veya kablosuz baz istasyonları gibi bilinen konumlara sahip düğümlerdir. Ajanlar; özerk arabalar, akıllı telefonlar veya giyilebilir cihazlar gibi bilinmeyen pozisyonlara sahip düğümlerdir.

Yerelleştirmek için; temsilciler bağlantı noktaları referans noktaları olarak kullanabilir veya kendilerini yönlendirmek için bilgileri diğer temsilcilerle paylaşabilirler. Bu, konum bilgisi taşıyan alıcıya gelen kablosuz sinyallerin iletilmesini içerir. Örneğin; alınan dalga biçiminin gücü, açısı ve varış zamanı, düğümler arasındaki mesafe ve oryantasyon ile ilişkilidir.

Geleneksel lokalizasyon yöntemleri, iki düğüm arasındaki mesafe veya açı açısından tek bir değer tahmin etmek için, sinyalin bir özelliğini çıkarır. Yerelleştirme doğruluğu; tamamen esnek olmayan (veya “zor”) değerlerin doğruluğuna dayanır ve ortamların sertleştiği için doğruluğun önemli ölçüde azaldığı gösterilmiştir.

Bir düğümün, birçok yansıtıcı yüzeye sahip bir binada 10 metre uzaklıktaki başka bir düğüme bir sinyal ilettiğini söyleyin. Sinyal, yaklaşık 13 metreye karşılık gelen bir zamanda sıçrayabilir ve alıcı düğüme ulaşabilir. Geleneksel yöntemler muhtemelen bu yanlış mesafeyi bir değer olarak tayin eder.

Yeni çalışma için, araştırmacılar yerelleştirme için yumuşak bilgiler kullanmayı denemeye karar verdi. Yöntem, tüm olası mesafelerin, açıların ve diğer metriklerin olasılık dağılımını oluşturmak için birçok sinyal özelliğini ve bağlamsal bilgiyi kullanır.

Sistem gücü; açısı ve uçuş süresi de dahil olmak üzere birçok sinyal özelliği ölçüm örneği alır. Bağlamsal veriler; düğümlerin nasıl hareket ettiğini yakalayan ve tahmin eden dijital haritalar ve modeller gibi harici kaynaklardan gelir.

Önceki örneğe geri dönersek: Sinyalin varış zamanının ilk ölçümüne dayanarak, sistem hala düğümlerin 13 metre mesafelerde olma ihtimalini yüksek tutuyor. Ancak, sinyalin bir miktar gecikmesine veya güç kaybına bağlı olarak, birbirinden 10 metre uzakta olmaları için küçük bir olasılık belirler. Sistem diğer tüm bilgileri çevre düğümlerden kaynaştırdığı için; olası her değerin olasılığını günceller. Örneğin; bir haritaya ping atabilir ve odanın düzeninin, her iki düğümün de 13 metre uzakta olduğunu belirtme ihtimalinin yüksek olduğunu gösterebilir. Güncellenen tüm bilgileri birleştirerek; düğümün 10 metre uzakta olan konumda olma ihtimalinin çok daha yüksek olduğuna karar verir.

Karmaşıklığı Azaltmak

Bununla birlikte, birçok özelliği sinyallerden çıkarmak; sistem için çok karmaşık ve verimsiz olabilen büyük boyutlu veriye yol açar. Verimliliği artırmak için araştırmacılar; tüm sinyal verilerini küçültülmüş ve kolay hesaplanabilir bir alana indirdiler.

Bunu yapmak için, çok boyutlu veri kümelerinde en yararlı yönleri koruyan ve geri kalanı atarak; azaltılmış veri kümesini yaratan bir teknik olan “temel bileşen analizi”ne dayanarak en çok ve en az kullanışlı olan yerlerin alındığını belirlediler. Alınan dalga formlarının her biri 100 numune ölçümü içeriyorsa, teknik; bu sayıyı sekize kadar düşürebilir.

Son bir yenilik; ölçümlerden ve bağlamsal verilerden olası pozisyonları açıklayan istatistiksel bir modeli öğrenmek için makine öğrenme tekniklerini kullanıyordu. Bu model; sinyal atlamalarının ölçümleri nasıl etkileyebileceğini ölçmek için arka planda çalışır ve sistemin doğruluğunu daha da iyileştirir.

Araştırmacılar; artık gerekli tüm bilgileri iletemeyen veya hesaplayamayan, kaynaklara bağlı düğümlerle çalışmak için daha az hesaplama gücü kullanmanın yollarını tasarlıyor. Ayrıca, bazı düğümlerin bilgi paylaşamadığı sistemi “cihazsız” yerelleştirmeye getirmek için de çalışıyorlar. Bu; sinyallerin bu düğümlerden nasıl geri dağıldığına dair bilgileri kullanacak, böylece diğer düğümler var olduklarını ve nerede bulunduklarını bileceklerdir.

Kaynak:
MIT
Etiketler
1 Oy2 Oy3 Oy4 Oy5 Oy (1 oy verildi, Ortalama: 5 üzerinden 5,00 oy )
Loading...

Benzer Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Close