Análise do impacto da quantidade de pontos de Wi-Fi na localização de robôs sequestrados em ambientes internos utilizando técnicas de redes neurais artificiais recorrentes

Abstract

A localização de robôs em ambientes fechados, onde o Global Positioning System (GPS) não pode atuar, é um constante desafio dos sistemas que envolvem robôs autônomos. Soluções baseadas em análise de radiofrequência apresentam alta complexidade devido à natureza dos sinais, passíveis de diversas interferências em ambientes quanto maior a quantidade de equipamentos eletrônicos, além da movimentação de pessoas e objetos, aumentando a dificuldade de processamento das informações tratadas. As limitações de processamento e uso de energia em dispositivos móveis também limitam a implementação de hardware embarcado capaz de realizar cálculos complexos exigidos em diversas soluções para o processamento e análise das informações em tempo hábil para apresentar eficácia na atuação. Com a portabilidade desses sistemas robotizados encontramos um novo desafio, o sequestro de robôs, quando o usuário movimenta o robô manualmente, sem nenhuma notificação no sistema e dificultando o processo de localização. Neste trabalho é proposto um estudo das mais recentes técnicas de localização em ambientes fechados, utilizando redes neurais recorrentes, como a Gated Recurrent Unit (GRU) e a Long-Short Term Memory (LSTM) para o tratamento de dados de potência de sinal Wi-Fi, ou Received Signal Strength (RSS), assim como a aplicação da técnica k-Nearest Neighbors (KNN) para casos onde ocorre o sequestro de robôs. O estudo foi feito a partir de um simulador construído dentro do ambiente virtual Webots® a partir do fingerprinting de um ambiente real com 6 pontos de acessoWi-Fi. Funções de distribuição acumulada foram utilizadas para avaliar cada um dos 3 sistemas para diversas combinações de pontos de acesso, níveis de ruído e níveis de atenuação simulados. Os resultados mostram que os sistemas de redes neurais recorrentes podem alcançar acurácia entre 0.44m±0.39m para LSTM, e 0.50m±0.38m para GRU, enquanto para a proposta baseada em KNN, temos 0.68m±0.73m, demonstrando a capacidade dos sistemas avaliados de se recuperarem após um evento de sequestro de robôs, mantendo resultados semelhantes aos observados sem a ocorrência de tais eventos

The robot localization in indoor rooms, without GPS assist, is a big challenge for autonomous robotic systems. Due to the complexity of radio frequency nature, susceptible to interference dependent on electronic devices density in the area, people and object movement, raising the data processing complexity. Limited processing and power resources on mobile devices also limits the implementation of hardware capable of processing complex calculations required for data analysis for solutions in usable time, before its action efficiency is reduced. When the portability of those robotic systems is considered, a new challenge called the Kidnapped Robot Problem (KRP) is presented, when those robots are handled by the user without any notification to its system, interfering in the localization process. This work proposes an analysis of the earliest indoor localization techniques based on recurrent neural networks like GRU and LSTM to process Wi-Fi received signal strength data, including KNN, for the kidnapped robot problem. This analysis will be built on a simulator inWebots® virtual environment and based on the fingerprinting of a real indoor room with 6 Wi-Fi access points. The efficiency of each system will be evaluated using cumulative distribution function for several access point combinations, noise and vanishing levels. The results show that RNN systems can achieve mean localization accuracy between 0.44m±0.39m for LSTM and 0.50m±0.38m for GRU and the KNN technique proposal reaching 0.68m±0.73m, proving the capability of those systems to recover from a KRP event keeping similar results obtained without any event