Coordinate super-precise per oggetti e persone negli ambienti indoor. E’ questo l’obiettivo del progetto guidato dall’Università della Catalogna (è parte del progetto VedLiot che ha ricevuto finanziamenti da Horizon 2020 dell’Unione Europea), che punta a tracciare beni e individui in modo accurato e spingendo in questo modo innovazione e risorse per le aziende di vari settori, dalla logistica alla sanità. Al centro, tecniche di deep learning combinate a sistemi di calcolo distribuiti, in grado di sfruttare sia il cloud che l’edge computing.
Indice degli argomenti
Mix di tecnologie per la geolocalizzazione
“Esistono oggi numerosi approcci tecnologici che tentano di sfruttare le caratteristiche dei segnali radio per ottenere la posizione relativa tra gli oggetti – spiega Xavier Vilajosana dell’Universitat Oberta de Catalunya, che guida il progetto -. 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 abbiamo bisogno di sviluppare un potente framework per la gestione dei dati di localizzazione provenienti da diverse tecnologie in tempo reale, che allo stesso tempo sia in grado di adattarsi a molteplici esigenze industriali e sia economicamente attraente”.
L’assist del deep learning
L’indoor asset location utilizza il “punto di vista” del dispositivo ricevente per dedurre da quale direzione proviene il segnale emesso dagli oggetti e quindi traduce queste informazioni in una stima della sua posizione. Una delle principali sfide è l’ampio margine di errore derivante dagli ostacoli tra il trasmettitore e il ricevitore del segnale, soprattutto in ambienti industriali, e dalla propagazione multipath.
In questo senso è essenziale l’elaborazione del segnale per evitare ambiguità, portando a errori nella posizione degli oggetti. Dune incorpora meccanismi di posizionamento assistiti da tecniche di deep learning al fine di ottenere prestazioni ottimali. Il deep learning prevede infatti il coinvolgimento di algoritmi di apprendimento automatico che possono essere addestrati per apprendere dagli input: questa conoscenza può quindi essere utilizzata per trarre conclusioni basate su nuove informazioni.
Strategie 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 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.
Inoltre i segnali radio provenienti dai sensori collegati agli oggetti o alle persone da tracciare verranno ricevuti dalla schiera 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 rumori e irregolarità”, ha sottolineato Vilajosana.
Infrastruttura nel cloud
Le posizioni stimate vengono consegnate in tempo reale da questi dispositivi edge 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.
L’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.
