Hitta rätt med ML

slutet av biltunnel med grönska på andra sidan.jpg

Forskare vid MIT har hittat ett sätt för uppkopplade enheter att dela sina positioner även i miljöer med dålig GPS-mottagning. Lösningen bygger på maskininlärning, ML, och kan bli ett genombrott för den snabbt växande efterfrågan på lokaliseringslösningar.

Idag är IoT en del av vardagen och smarta sensorer samlar in och delar information som på olika sätt gör livet enklare och bättre för både människor och djur.

Nu växer intresset för lokalisering med hjälp av IoT, till exempel för övervakning av produktionskedjor, hitta dyra apparater som flyttas mellan sjukhusavdelningar, autonom navigering i smarta städer, eller för att i realtid skapa en levande karta över världen. Vissa experter uppskattar marknaden för lokaliseringslösningar till 128 miljarder dollar om åtta år.

Cityraviner

Traditionella metoder utnyttjar GPS-satelliter eller trådlösa signaler som delas mellan enheter för att fastställa deras relativa avstånd och positioner från varandra. Men det finns ett problem, nämligen att noggrannheten minskar på platser med reflekterande ytor, hinder eller andra störande signaler. Till exempel inuti byggnader, i tunnlar, eller på ytor med många höga byggnader på båda sidorna av en gata.

Nu har forskare från MIT, University of Ferrara, Basque Center of Applied Mathematics, BCAM, och University of South California utvecklat ett system som fångar platsinformation även i miljöer med dålig GPS-mottagning.

Samma noder

Forskarnas lösning innebär mycket förenklat att använda samma noder, eller orienteringspunkter, som GPS-tekniken, men att bruset som stör kommunikationen dem emellan i vissa miljöer dämpas med bland annat maskininlärning. På så sätt återfår noden sin skärpa i kommunikationen med andra i en trådlös miljö.

Vid simuleringar har MIT-lösningen visat sig betydligt mer stabil och effektiv än mer traditionella metoder.

Källa: MIT

 

1 november 2019Uppdaterad 2 oktober 2023Reporter anne hammarskjölddigitFoto adobestock

Voisters nyhetsbrev

SENASTE NYTT