Le tecnologie di posizionamento indoor sono una delle forze trainanti della trasformazione digitale del settore industriale. La capacità di tracciare la posizione di oggetti, beni e persone in modo accurato ed economico potrebbe far risparmiare risorse, tempo e denaro in molti settori, dalla logistica all'assistenza sanitaria.
Xavier Vilajosana, professore presso la UOC (Universitat Oberta de Catalunya) sta coordinando un nuovo progetto europeo per sviluppare soluzioni innovative per migliorare la localizzazione negli ambienti interni.
Il progetto DUNE utilizza tecniche di deep learning combinate con sistemi di calcolo distribuiti, che sfruttano sia il cloud sia l'edge computing.
L'obiettivo è creare un sistema versatile che utilizzi le varie tecnologie disponibili e possa adattarsi a molti potenziali casi di utilizzo.
Xavier Vilajosana ha dichiarato: “Esistono oggi numerosi approcci tecnologici che tentano di sfruttare le caratteristiche dei segnali radio come strumento per ottenere la posizione relativa tra gli oggetti.
Questa varietà tecnologica e l'ampia gamma di situazioni in cui possono essere utilizzati, con budget e ambienti molto diversi per l'applicazione, significa che dobbiamo sviluppare un potente framework per la gestione dei dati di localizzazione provenienti da diverse tecnologie in tempo reale”.
Deep learning per risolvere le ambiguità
Una delle principali sfide per questa tecnologia è l'ampio margine di errore derivante dagli ostacoli che si possono interporre tra il trasmettitore e il ricevitore del segnale, soprattutto in ambienti industriali, e dalla propagazione multipath.
La propagazione multipath è il fenomeno che porta i segnali radio a raggiungere le antenne riceventi da due o più percorsi in tempi diversi.
Per fronteggiare questi problemi, DUNE incorpora meccanismi di posizionamento assistiti da tecniche di deep learning in varie fasi del processo di localizzazione al fine di ottenere prestazioni ottimali.
Algoritmi di apprendimento automatico possono essere addestrati per apprendere dagli input, e tale conoscenza può quindi essere utilizzata per trarre conclusioni basate su nuove informazioni.
Calcolo distribuito
Il calcolo sarà distribuito in vari nodi più vicini alla fonte dei dati al fine di ridurre i processi di cloud computing, diminuendo così il tempo di risposta dei server e la larghezza di banda, e contemporaneamente aumentando la sicurezza dei dati.
Il sistema è interamente distribuito e composto da varie tecnologie di sensori e localizzazione posizionate sugli oggetti da localizzare.
Questi dispositivi generano dati grezzi che devono essere elaborati per ottenere le loro posizioni individuali stimate.
Una prima elaborazione dei dati avviene al “far-edge”, cioè vicino alle antenne che trasmettono i segnali.
Dati in tempo reale
I segnali radio provenienti dai sensori collegati agli oggetti o alle persone da tracciare vengono ricevuti dalle antenne del localizzatore. Questi dati devono essere trasformati per stimare gli angoli che definiscono la direzione del segnale e fornire un aggiornamento in tempo reale.
“In un mondo perfetto, questa trasformazione è un processo geometrico che dipende dallo spazio tra le antenne (distanza) e la frequenza del segnale (lunghezza d'onda). Tuttavia, questi ambienti sono soggetti a rumori e irregolarità”, ha sottolineato Xavier Vilajosana.
“Quando si affrontano questi problemi, i metodi di deep learning possono diventare uno strumento molto prezioso per ottenere stime accurate della posizione degli oggetti”.
L'elaborazione e l'aggregazione dei dati in tempo reale avvengono utilizzando altri dispositivi edge per migliorare le prestazioni del sistema.
Infrastruttura nel cloud
Le posizioni stimate vengono inviate in tempo reale a un'infrastruttura cloud, che è collegata ai sistemi informativi della fabbrica o del magazzino logistico in cui si svolge il lavoro.
Nel cloud, metodi avanzati di intelligenza artificiale possono essere utilizzati per correggere, migliorare, classificare, rilevare anomalie e ottimizzare le operazioni.
Questa infrastruttura cloud gestisce la visualizzazione e il tracciamento degli oggetti, collegando queste informazioni con altri sottosistemi come quelli nell'inventario della fabbrica o del magazzino.
Questa tecnologia sarà valutata durante tutto il progetto, che durerà 12 mesi in diversi scenari, e i suoi risultati saranno confrontati con altre soluzioni tecnologiche attuali.
