L’intelligenza artificiale migliora la posizione degli oggetti all’interno degli ambienti industriali
Un nuovo progetto utilizzerà algoritmi di deep learning per aumentare l’accuratezza e le prestazioni della tecnologia
Le tecnologie di posizionamento indoor sono una delle forze trainanti della trasformazione digitale del settore industriale. La possibilità di tracciare oggetti, beni e persone in modo accurato ed economico potrebbe far risparmiare risorse, tempo e denaro alle aziende di vari settori, dalla logistica all’assistenza sanitaria. Il Professore nella Facoltà di Informatica, Multimedialità e Telecomunicazioni e leader del gruppo Wireless Networks ( WINE ) presso l’Internet Interdisciplinary Institute ( IN3 ) presso l’UOC (Universitat Oberta de Catalunya), Xavier Vilajosana coordina la partecipazione dell’università a un nuovo Progetto europeo che sta sviluppando soluzioni innovative per migliorare la localizzazione negli ambienti interni .
DUNE utilizza tecniche di deep learning combinate con sistemi di calcolo distribuito, che sfruttano sia il cloud che l’ edge computing. In altre parole, si tratta di architetture di calcolo che operano sia su server remoti che vicino a dove vengono generati i dati. L’obiettivo è quello di creare un sistema versatile che utilizzi le diverse tecnologie disponibili e che possa adattarsi ai diversi potenziali casi di utilizzo.
“Ci sono numerosi approcci tecnologici oggi 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 applicazione, significa che dobbiamo sviluppare un potente framework per la gestione in tempo reale dei dati sulla posizione provenienti da diverse tecnologie , che allo stesso tempo è in grado di adattarsi a molteplici esigenze industriali ed è economicamente interessante”, ha spiegato Xavier Vilajosana.
Posizionamento assistito mediante tecniche di deep learning
La posizione dell’asset indoor utilizza il punto di vista del dispositivo ricevente per dedurre da quale direzione proviene il segnale emesso dagli oggetti, quindi traduce queste informazioni in una stima della sua posizione . Una delle sfide principali per questa tecnologia è l’ampio margine di errore derivante dagli ostacoli tra il trasmettitore e il ricevitore del segnale, soprattutto in ambienti industriali, e la propagazione multipath. La propagazione multipath è il fenomeno che porta i segnali radio a raggiungere le antenne riceventi per due o più percorsi e in tempi diversi.
L’elaborazione del segnale è essenziale per questo motivo, altrimenti sorgono ambiguità, che portano a errori nella posizione degli oggetti. Di fronte a questa sfida, DUNE incorpora meccanismi di posizionamento assistiti da tecniche di deep learning in varie fasi del processo di localizzazione al fine di ottenere prestazioni ottimali. Il deep learning coinvolge un tipo di algoritmi di apprendimento automatico che possono essere addestrati per imparare dall’input e che la conoscenza può quindi essere utilizzata per trarre conclusioni sulla base di nuove informazioni. “I dati vengono elaborati utilizzando approcci diversi, come metodi di apprendimento profondo che vengono addestrati a selezionare le stime di posizione che individuano meglio gli oggetti tracciati”, ha spiegato il ricercatore.
Strategia di calcolo distribuito
Il progetto sfrutterà anche diverse architetture di calcolo , dal cloud all’edge e al far-edge computing . In altre parole, invece di una strategia centralizzata, il calcolo sarà distribuito in vari nodi più vicini alla fonte dei dati in modo da ridurre i processi di cloud computing, diminuendo così i tempi di risposta dei server e della banda, e contemporaneamente aumentando la sicurezza dei dati.
Il sistema è interamente distribuito, e composto da varie tecnologie di sensori e di localizzazione poste sugli oggetti da localizzare . Questi dispositivi generano tracce di dati grezzi che devono essere elaborati per ottenere le posizioni individuali stimate. Una prima elaborazione dei dati avviene in corrispondenza del “far-edge”, ovvero in prossimità delle antenne che trasmettono i segnali.
Dati aggiornati in tempo reale
I segnali radio provenienti dai sensori collegati agli oggetti o alle persone da tracciare vengono ricevuti dalla serie di 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 radiofrequenza (lunghezza d’onda). Tuttavia, questi ambienti sono soggetti a rumore e irregolarità”, ha sottolineato Xavier Vilajosana.
“Quando si affrontano questi problemi”, ha proseguito, “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 avviene utilizzando altri dispositivi “edge” per migliorare le prestazioni del sistema. A questo punto viene aggiunto un altro passaggio di filtraggio per migliorare la traduzione del segnale ed essere in grado di incorporare diverse tecnologie , utilizzando il deep learning tra gli altri metodi.
Infrastruttura nel cloud
Le posizioni stimate vengono consegnate in tempo reale da questi dispositivi periferici a un’infrastruttura cloud, che è collegata ai sistemi informativi della fabbrica o al magazzino logistico in cui si svolge il lavoro. Nel cloud, i metodi avanzati di intelligenza artificiale possono essere utilizzati per la correzione, il miglioramento, la classificazione, il rilevamento di anomalie e l’ottimizzazione delle operazioni .
Questa infrastruttura cloud gestisce la visualizzazione e il tracciamento degli oggetti e collega e mette in relazione queste informazioni con altri sottosistemi come quelli nell’inventario della fabbrica o del magazzino.
Banco di prova su larga scala
Questa proposta tecnologica sarà valutata durante tutto il progetto, che durerà 12 mesi in diversi scenari, ei suoi risultati saranno confrontati con altre soluzioni tecnologiche attuali . In primo luogo, verranno effettuate prove nel laboratorio del gruppo di ricerca e successivamente prove su larga scala in un edificio appositamente progettato per questo tipo di sperimentazione, che ha una superficie di 1.000 mq e che abilita diverse tecnologie da valutare.
