麻省理工学院和其他地方的研究人员开发的新系统可以帮助智能设备网络协作，以找到通常在GPS失效的环境中的位置。

如今，“物联网”的概念已广为人知：全世界数十亿个相互连接的传感器(嵌入日常物品，设备和车辆中，或者被人或动物佩戴)可以收集和共享各种应用程序的数据。

新兴概念“事物的本地化”使这些设备能够感知并传达其位置。此功能可能有助于供应链监控，自主导航，高度连接的智慧城市，甚至可以构成世界的实时“生活地图”。专家预计，到2027年，物联网本地化市场将增长到1,280亿美元。

该概念取决于精确的定位技术。传统方法利用GPS卫星或设备之间共享的无线信号来确定它们之间的相对距离和位置。但是有一个障碍：在反射表面，障碍物或其他干扰信号的地方，例如建筑物内部，地下隧道或“城市峡谷”中，高大建筑物位于街道两侧，准确性会受到很大影响。

麻省理工学院，费拉拉大学，巴斯克应用数学中心(BCAM)和南加州大学的研究人员开发了一种系统，即使在这些嘈杂的GPS拒绝区域中，也可以捕获位置信息。描述该系统的论文发表在IEEE的会议记录中。

当网络中称为“节点”的设备在信号阻塞或“恶劣”环境中进行无线通信时，系统会融合节点之间交换的狡猾无线信号中的各种类型的位置信息以及数字地图和惯性信号数据。这样做时，每个节点都会考虑与所有其他节点的位置相关的所有信息(称为“软信息”)。该系统利用机器学习技术和减少已处理数据尺寸的技术来根据测量和上下文数据确定可能的位置。然后，使用该信息来确定节点的位置。

在恶劣环境的模拟中，该系统的运行明显优于传统方法。值得注意的是，它始终如一地在定位精度的理论极限附近执行。而且，随着无线环境变得越来越差，传统系统的准确性急剧下降，而新的基于软信息的系统却保持稳定。

航空航天学系和信息与决策系统实验室(LIDS)的教授，无线信息与网络科学实验室的负责人Moe Win说：“当困难变得越来越严峻时，我们的系统将保持精确的定位。”“在恶劣的无线环境中，您的反射和回声使获取准确的位置信息变得更加困难。[麻省理工学院校园内的” Stata Center之类的地点尤其具有挑战性，因为到处都有反射信号的表面。我们的软信息方法在如此恶劣的无线环境中特别强大。”

加入Win的论文包括：费拉拉大学的Andrea Conti;BCAM的Santiago Mazuelas;费拉拉大学的Stefania Bartoletti;和南加州大学的William C. Lindsey。

捕获“软信息”

在网络本地化中，节点通常称为锚点或代理。锚点是具有已知位置的节点，例如GPS卫星或无线基站。代理是位置不明的节点，例如自动驾驶汽车，智能手机或可穿戴设备。

要进行本地化，代理可以使用锚点作为参考点，也可以与其他代理共享信息来定向自己。这涉及发送无线信号，该无线信号到达携带位置信息的接收器。例如，接收波形的功率，角度和到达时间与节点之间的距离和方向相关。

传统的定位方法提取信号的一个特征来估计单个值，例如两个节点之间的距离或角度。定位精度完全依赖于那些不灵活的(或“硬”)值的精度，并且已经证明，随着环境变得越来越恶劣，精度会急剧下降。

假设一个节点将信号传输到建筑物中具有许多反射面的10米外的另一个节点。信号可能会反弹，并在对应于13米远的时间到达接收节点。传统方法可能会将错误的距离分配为值。

对于这项新工作，研究人员决定尝试使用软信息进行本地化。该方法利用许多信号特征和上下文信息来创建所有可能的距离，角度和其他度量的概率分布。孔蒂说：“之所以称为“软信息”，是因为我们对价值不做任何艰难的选择。”

该系统对信号特征进行了许多采样测量，包括其功率，角度和飞行时间。上下文数据来自外部资源，例如捕获和预测节点移动方式的数字地图和模型。

返回上一个示例：基于对信号到达时间的初始测量，系统仍然将节点相距13米的可能性很高。但是根据信号的某些延迟或功率损耗，它们相距10米的可能性很小。当系统融合来自周围节点的所有其他信息时，它将更新每个可能值的可能性。例如，它可以对地图执行ping操作，然后看到房间的布局显示出这两个节点相距13米的可能性很小。结合所有更新的信息，它确定该节点更有可能位于10米外的位置。

温说：“最后，保持低概率值很重要。”“我没有告诉您确定的值，而是告诉您，我确实有距离您13米的距离，但是您靠近的可能性较小。这将为您提供更多信息，有助于您确定目标位置节点。”

降低复杂度

但是，从信号中提取许多特征会导致数据尺寸过大，对于系统而言可能过于复杂且效率低下。为了提高效率，研究人员将所有信号数据缩小到一个尺寸较小且易于计算的空间中。

为此，他们基于“主要成分分析”确定了接收波形中对定位最有用和最不有用的方面，该技术将最有用的方面保留在多维数据集中，而将其余部分丢弃，从而创建了一个简化的数据集。尺寸。如果接收到的每个波形包含100个样本测量值，则该技术可能会将其数量减少到八个。

一项最终的创新是使用机器学习技术来学习一种统计模型，该模型描述了来自测量和上下文数据的可能位置。该模型在后台运行，以测量信号弹跳如何影响测量，从而有助于进一步改善系统的精度。

研究人员现在正在设计使用较少的计算能力来处理无法传输或计算所有必要信息的资源紧张的节点的方法。他们还致力于使系统实现“无设备”本地化，其中某些节点无法共享信息。这将使用有关信号如何从这些节点反向散射的信息，以便其他节点知道它们的存在以及它们的位置。