Utilizzare algoritmi di Deep Learning per migliorare la localizzazione di oggetti negli ambienti industriali: è questo lo scopo del progetto Dune, un nuovo progetto europeo che sta sviluppando soluzioni innovative per migliorare la localizzazione negli ambienti interni.
Il progetto fa parte di una più ampia iniziativa europea: VedlIoT, progetto che punta a sviluppare una piattaforma IoT che utilizza algoritmi di Deep Learning distribuiti in tutto il continuum IoT.
Le tecnologie di posizionamento indoor sono una delle forze trainanti della trasformazione digitale del settore industrial. La capacità 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 alla sanità.
“Oggi esistono numerosi approcci tecnologici che cercano di sfruttare le caratteristiche dei segnali radio come strumento per ottenere la posizione relativa tra oggetti”, spiega Xavier Vilajosana, ricercatore presso l’Istituto Interdisciplinare Internet (IN3) della UOC (Universitat Oberta de Catalunya).
“Questa varietà tecnologica e l’ampia gamma di situazioni in cui possono essere utilizzate, con budget e ambienti di applicazione molto diversi, implica la necessità 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 interessante”, aggiunge.
Indice degli argomenti
Posizionamento assistito con tecniche di Deep Learning
La localizzazione indoor degli asset utilizza il punto di vista del dispositivo ricevente per dedurre da quale direzione proviene il segnale emesso dagli oggetti e traduce questa informazione in una stima della sua posizione.
Una delle sfide principali di questa tecnologia è l’ampio margine di errore derivante dagli ostacoli che si frappongono tra il trasmettitore e il ricevitore del segnale, soprattutto in ambienti industriali, e dalla propagazione multipla, fenomeno per cui i segnali radio raggiungono le antenne riceventi attraverso due o più percorsi e in tempi diversi.
L’elaborazione del segnale è essenziale proprio per evitare ambiguità che possono tradursi in 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, per ottenere prestazioni ottimali.
Il Deep Learning è un tipologia di algoritmi di apprendimento automatico che possono essere addestrati per apprendere dagli input, e questa conoscenza può essere utilizzata per trarre conclusioni basate su nuove informazioni.
“I dati vengono elaborati utilizzando diversi approcci, come i metodi di Deep Learning che vengono addestrati per selezionare le stime di posizione che meglio localizzano gli oggetti tracciati”, spiega Vilajosana.
Strategia di calcolo distribuito
Il progetto sfrutterà anche diverse architetture di calcolo, dal cloud all’Edge e far-Edge Computing. In altre parole, invece di una strategia centralizzata, il calcolo sarà distribuito in vari nodi più vicini alla fonte dei dati per ridurre i processi di Cloud Computing, diminuendo così il tempo di risposta dei server e la larghezza di banda e aumentando contemporaneamente la sicurezza dei dati.
Il sistema è interamente distribuito e composto da varie tecnologie di sensori e localizzazione collocate 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 al “bordo lontano”, cioè vicino alle 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 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 dalla frequenza radio (lunghezza d’onda). Tuttavia, questi ambienti sono soggetti a rumore e irregolarità“, sottolinea Vilajosana.
“Quando si affrontano questi problemi i metodi di Deep Learning possono diventare uno strumento molto prezioso per ottenere stime accurate della posizione degli oggetti“, aggiunge.
L’elaborazione e l’aggregazione dei dati in tempo reale avvengono utilizzando altri dispositivi “Edge” per migliorare le prestazioni del sistema. A questo punto si aggiunge un’altra fase di filtraggio per migliorare la traduzione del segnale ed essere in grado di incorporare diverse tecnologie utilizzando, tra gli altri metodi, il Deep Learning.
Infrastruttura nel cloud
Le posizioni stimate vengono trasmesse in tempo reale da questi dispositivi Edge a un’infrastruttura cloud, collegata ai sistemi informativi della fabbrica o del magazzino logistico in cui si svolge il lavoro.
Nel cloud possono essere utilizzati metodi avanzati di Intelligenza Artificiale per correggere, migliorare, classificare, rilevare anomalie e ottimizzare le operazioni.
Questa infrastruttura cloud gestisce la visualizzazione e il tracciamento degli oggetti e collega e interconnette queste informazioni con altri sottosistemi, come quelli dell’inventario della fabbrica o del magazzino.
Banco di prova su larga scala
Questa proposta tecnologica sarà valutata nel corso del progetto, che durerà 12 mesi in diversi scenari, e i suoi risultati saranno confrontati con altre soluzioni tecnologiche attuali.
In un primo momento, i test saranno condotti nel laboratorio del gruppo di ricerca, mentre in seguito saranno effettuati test su larga scala in un edificio appositamente progettato per questo tipo di esperimenti, che ha una superficie di 1.000 m2 e che consente di valutare diverse tecnologie.
Il progetto Dune ha ricevuto finanziamento da parte dell’EU nell’ambito del programma Horizon 2020.
