Estudio y evaluación de algoritmos de procesamiento de datos inalámbricos para la estimación de la localización y ocupación en interiores

Abstract

L'ésser humà és una espècie que passa la major part del temps en espais interiors, i aquí GPS compta amb algunes limitacions. Per a solucionar-ho neixen els sistemes de posicionament en interiors o IPS. Aquests sistemes poden aprofitar infraestructures ja creades de Wi-Fi o BluetoothLow Energy (BLE) per a donar servei a molt baix cost, amb un baix consum d'energia, amb major flexibilitat i major compatibilitat de dispositius. Aquests sistemes a més poden funcionar com a sistemes IoT heterogenis usant totes dues tècniques i obtenint grans resultats, potenciant els seus avantatges per a mitigar els problemes associats a qualsevol sistema sense fil d'interiors com poden ser les interferències. Es proposa l'estudi i l'avaluació de famílies d'algorismes d'estimació de la localització (posició i nivell d'àrea) aplicats a diversos escenaris utilitzant les tècniques descrites anteriorment. L'objectiu final és el desenvolupament d'una eina “end-to-end” portada a producció que sigui capaç de predir la localització d'un dispositiu a través de la seva empremta digital o “fingerprint”. El deute tècnic és l'efecte que pot tenir una decisió en les etapes de disseny de cara a generar un major esforç de manteniment o treball en el futur. Per això, i seguint l'enfocament MLOps, s'haurà de tenir present en tot moment les decisions de disseny que estiguin orientades a oferir la possibilitat d'escalar en nombre de components del sistema, oferir una major versatilitat i oferir eines de monitoratge que permetin seguir l'evolució de les diferents arquitectures de models i el que es coneix com a Entrenament Continu (CT). A aquest concepte se li uneix els ja coneguts com a Integració Continu (CI) i Lliurament Continu (CD). El sistema proposat haurà de ser fàcilment integrat en anàlisi de fluxos de dades constants a través de sistemes IoT i podrà evolucionar a arquitectures mes complexes com a arquitectures Transfer Learningo Incremental Learning.

El ser humano es una especie que pasa la mayor parte del tiempo en espacios interiores, y ahí GPS cuenta con algunas limitaciones. Para solucionarlo nacen los sistemas de posicionamiento en interiores o IPS. Estos sistemas pueden aprovechar infraestructuras ya creadas de Wi-Fi o Bluetooth Low Energy (BLE) para dar servicio a muy bajo coste, con un bajo consumo de energía, con mayor flexibilidad y mayor compatibilidad de dispositivos. Estos sistemas además pueden funcionar como sistemas IoT heterogéneos usando ambas técnicas y obteniendo grandes resultados, potenciando sus ventajas para mitigar los problemas asociados a cualquier sistema inalámbrico de interiores como pueden ser las interferencias. Se propone el estudio y la evaluación de familias de algoritmos de estimación de la localización (posición y nivel de área) aplicados a diversos escenarios utilizando las técnicas descritas anteriormente. El objetivo final es el desarrollo de una herramienta “end-to-end” llevada a producción que sea capaz de predecir la localización de un dispositivo a través de su huella digital o “fingerprint”. La deuda técnica es el efecto que puede tener una decisión en las etapas de diseño de cara a generar un mayor esfuerzo de mantenimiento o trabajo en el futuro. Por ello, y siguiendo el enfoque MLOps, se deberá tener presente en todo momento las decisiones de diseño que estén orientadas a ofrecer la posibilidad de escalar en número de componentes del sistema, ofrecer una mayor versatilidad y ofrecer herramientas de monitorización que permitan seguir la evolución de las distintas arquitecturas de modelos y lo que se conoce como Entrenamiento Continuo (CT). A este concepto se le une los ya conocidos como Integración Continuo (CI) y Entrega Continua (CD). El sistema propuesto deberá ser fácilmente integrado en análisis de flujos de datos constantes a través de sistemas IoT y podrá evolucionar a arquitecturas más complejas como arquitecturas Transfer Learning o Incremental Learning.

Humans spend most of their time indoors, and GPS has its limitations. Indoor positioning systems, or IPS, have been developed to address these limitations. These systems can leverage existing Wi-Fi or Bluetooth Low Energy (BLE) infrastructures to provide service at very low cost, with low power consumption, greater flexibility and greater device compatibility. These systems can also function as heterogeneous IoT systems using both techniques and obtain great results, enhancing their advantages to mitigate the problems associated with any indoor wireless system such as interference. It is proposed the study and evaluation of algorithms of location (position and area level) and estimation applied to different scenarios using the methods described above. The final objective is the development of an end-to-end production tool capable of predicting the location of a device through its fingerprint. The technical debt is the effect that a decision in the design stages can have in terms of generating a greater maintenance or work effort in the future. For this reason, and following the MLOps approach it will take in consideration the decisions of design that are aimed at offering the possibility of scaling the number of system components, greater versatility and monitoring tools that allows the evolution of the different model architectures and, what is known as Continuous Training (CT). This concept is coupled with those already known as Continuous Integration (CI) and Continuous Delivery (CD). The proposed system should be easily integrated in constant data flow analysis through IoT systems and may evolve to more complex architectures such as Transfer Learning or Incremental Learning architectures.