Un nuevo proyecto con la UOC usará algoritmos de aprendizaje profundo para aumentar la precisión y las prestaciones de esta tecnología

Los investigadores realizarán el experimento en una instalación de 1.000 metros cuadrados

El proyecto se desarrolla en el marco de un consorcio europeo

Las tecnologías de posicionamiento de interiores son uno de los motores clave de la transformación digital del sector industrial. La capacidad de rastrear objetos, activos y personas de forma precisa y barata podría ahorrar recursos, tiempo y dinero a las empresas de diferentes sectores, desde el logístico hasta el sanitario. El catedrático de los Estudios de Informática, Multimedia y Telecomunicación y líder del grupo Wireless Networks (WiNE), del Internet Interdisciplinary Institute (IN3) de la UOC, Xavier Vilajosana coordina la participación de la universidad en un nuevo proyecto europeo que desarrolla soluciones innovadoras para mejorar la localización en interiores. DUNE usa técnicas de aprendizaje profundo (deep learning) combinadas con sistemas de computación distribuidos, que aprovechan tanto la nube como el edge (extremo). Es decir, arquitecturas de computación que tienen lugar tanto en servidores lejanos como cerca de donde se generan los datos. El objetivo es conseguir un sistema versátil que permita aprovechar las diferentes tecnologías existentes y que se adapte a los diferentes casos de uso potenciales. 

"En la actualidad hay numerosos enfoques tecnológicos que tratan de explotar las características de las señales de radio como herramienta para derivar la posición relativa entre objetos. Esta heterogeneidad tecnológica y la variedad de casos en los que pueden usarse, con gran diversidad de presupuestos y entornos de aplicación, hacen necesario desarrollar un marco potente para gestionar los datos de ubicación de diferentes tecnologías en tiempo real, que al mismo tiempo se adapte a las múltiples necesidades industriales y que sea económicamente atractivo", explica Xavier Vilajosana.

Posicionamiento asistido por técnicas de aprendizaje profundo

La localización de activos en interiores trata de deducir, desde el punto de vista del dispositivo receptor, de qué dirección proviene la señal emitida por los objetos y después traducir esta información a una estimación de la posición. Uno de los retos principales de esta tecnología es el gran margen de error causado por los obstáculos entre el transmisor y el receptor de la señal, especialmente en entornos industriales, así como la propagación multicamino, es decir, el fenómeno que hace que las señales lleguen a las antenas receptoras por dos caminos o más y en diferentes momentos.

Por este motivo, es imprescindible el procesamiento de la señal, puesto que, de lo contrario, surgen ambigüedades y los errores se propagan a la posición de los objetos. Ante este reto, DUNE incorpora mecanismos de posicionamiento asistidos por técnicas de aprendizaje profundo en diferentes etapas del proceso de localización con el objetivo de ofrecer un rendimiento óptimo. El aprendizaje profundo es una clase de algoritmos de aprendizaje automático, es decir, que pueden entrenarse para que aprendan a partir de los datos introducidos y después aprovechen este conocimiento para extraer conclusiones con información nueva. "El procesamiento de los datos se realizará mediante diferentes enfoques, como, por ejemplo, métodos de aprendizaje profundo entrenados para seleccionar las estimaciones de posición que localicen mejor los objetos en seguimiento", explica el investigador.

Estrategia de computación distribuida

El proyecto también aprovechará diferentes arquitecturas de computación, desde la nube hasta el edge y el far edge. O sea, en vez de una estrategia centralizada, la computación se distribuirá en diferentes nodos, más cercanos al lugar de la generación de datos, de forma que se reducen los procesos informáticos en la nube y se disminuye el tiempo de respuesta de los servidores y el ancho de banda, con la finalidad de aumentar al mismo tiempo la seguridad de los datos.

El sistema está completamente distribuido y compuesto por diferentes sensores o tecnologías de localización ubicadas en los objetos que quieren localizarse. Estos dispositivos generan trazas de datos en bruto que deben procesarse para obtener las posiciones individuales estimadas; un primer procesamiento de datos tendrá lugar en el llamado far edge, es decir, cerca de las antenas que transmiten las señales.

Actualización de datos en tiempo real

Las señales de radio de los sensores conectados a los objetos o personas que hay que seguir se reciben por la matriz de antenas del localizador. Estos datos deben transformarse para estimar los ángulos que definen la dirección de la señal y permitir una actualización en tiempo real. "En un mundo perfecto, esta transformación es un proceso geométrico que depende del espacio entre antenas (distancia) y de la radiofrecuencia (longitud de onda). Sin embargo, estos entornos están sujetos a ruidos e irregularidades", destaca Xavier Vilajosana.

"Cuando se tratan estos problemas —continúa—, los métodos de aprendizaje profundo pueden convertirse en una herramienta muy valiosa para obtener estimaciones precisas de la posición de los objetos".

Para mejorar el rendimiento del sistema, el procesamiento y la agregación de datos en tiempo real se hará desde otros dispositivos llamados edge. Aquí se introducirá un paso de filtrado posterior para mejorar la traducción de la señal y poder incorporar diferentes tecnologías, usando también métodos de aprendizaje profundo, entre otros.

Infraestructura también en la nube

Desde estos dispositivos edge se entregarán las posiciones estimadas en tiempo real a una infraestructura en la nube, conectada a los sistemas de información de la fábrica o del almacén logístico donde se esté trabajando. En la nube, los métodos avanzados de inteligencia artificial pueden utilizarse para la corrección, mejora, clasificación, detección de anomalías u optimización de las operaciones.

Esta infraestructura en la nube se encargará de la visualización y el seguimiento de los objetos, así como de conectar e interrelacionar esta información con otros subsistemas como, por ejemplo, los de inventario de la fábrica o almacén.