Teknoloji

GPS’in Çalışmadığı Yerlerde Konumu Bulmayı Sağlayan Yeni Yöntem

Bağlı cihazlar artık gürültülü, GPS tarafından engellenmiş alanlarda dahi konum profilini paylaşabilir.

MIT araştırmacıları tarafından geliştirilen bu Yepyeni bir sistem; akıllı aygıt ağlarının, GPS’in Çoğunlukla başarısız olduğu ortamlarda konumlarını bulmak için işbirliği yapmalarına Muavin olmaktadır.Bugün, “nesnelerin interneti” kavramı oldukça iyi bilinmektedir: Dünyadaki milyarlarca birbirine bağlı sensör (gündelik nesnelere, ekipmanlara ve araçlara yerleştirilmiş veya insanlar Veyahut hayvanlar tarafından giyilen) Muhtelif uygulamalar için veri toplar ve paylaşır.

MIT, Ferrara Üniversitesi, Bask Uygulamalı Matematik Merkezi (BCAM) ve Cenup Kaliforniya Üniversitesi’nden araştırmacılar; bu gürültülü, GPS tarafından reddedilen bu alanlarda dahi konum profilini toplayan bir sistem geliştirdiler. “Düğümler” olarak tanınan bir ağdaki cihazlar; sinyal engelleyici veya “sert” bir yerdeki kablosuz olarak iletişim kurduğunda, sistem, düğümlerin aralarında paylaşılan tehlikeli kablosuz sinyallerden veya dijital haritalardan alınan muhtelif konumsal profili bütünleştirir. Bunu yaparken, her bir düğüm başka bütün düğümlerinkilerle ilişkili olarak “yumuşak bilgi” (soft information) ismi verilen bütün mümkün konumlarla ilişkili profili dikkate alır. Sistem, ölçümlerden ve bağlamsal verilerden mümkün pozisyonları belirlemek için işlenmiş verilerin boyutlarını azaltan makine öğrenme tekniklerini kullanır. 

“Yumuşak Bilgi” Yakalama

File yerelleştirmede, düğümler Çoğunlukla çapa veya aracı olarak adlandırılır. Çapalar; (Anchors) GPS uyduları veya kablosuz baz istasyonları gibi malum konumlara sahip düğümlerdir. Yerelleştirmek için; temsilciler irtibat noktaları referans noktaları olarak kullanabilir veya kendilerini yönlendirmek için profili başka temsilcilerle paylaşabilirler. Bu, konum bilgisi tutan alıcıya gelen kablosuz olan sinyallerin iletilmesini içeriyor. Örneğin; alınan dalga biçiminin gücü, açısı ve varış vakti, düğümler arasındaki mesafe ve oryantasyon ile ilişkilidir.

Geleneksel lokalizasyon yöntemleri, iki düğüm arasındaki mesafe veya açı açısından Biricik bir kıymet tahmin etmek için, sinyalin bir özelliğini çıkarır. Yerelleştirme doğruluğu; tamamiyle elastiki olmayan (veya “zor”) değerlerin doğruluğuna dayanır ve ortamların sertleştiği için doğruluğun Mühim ölçüde azaldığı gösterilmiştir. Bir düğümün, oldukça Çok yansıtıcı yüzeye sahip bir binada 10 metre uzaklıktaki başka bir düğüme bir sinyal ilettiğini söyleyin. Sinyal, takriben 13 metreye bedel gelen bir vakitte sıçrayabilir ve Müşteri düğüme ulaşabilir. Geleneksel yöntemler muhtemelen bu yanlış mesafeyi bir kıymet olarak tayin eder. Yepyeni çalışma için, araştırmacılar yerelleştirme için yumuşak profil kullanmayı denemeye karar verdi. metot, bütün mümkün mesafelerin, açıların ve başka metriklerin ihtimal dağılımını oluşturmak için oldukça Çok sinyal özelliğini ve bağlamsal bilgiyi kullanır. Sistem gücü; açısı ve uçuş süresi de iç olmak üzere oldukça Çok sinyal özelliği ölçüm misali alır. Bağlamsal veriler; düğümlerin nasıl Devinim ettiğini yakalayan ve tahmin eden dijital haritalar ve modeller gibi harici kaynaklardan gelir.

Önceki verilen örneğe bakacak olursak : Sinyalin varışını ilk ölçümüne dayanarak, sistem hala düğümlerin 13 metre mesafede olma ihtimalini yüksekoluyor. Ancak, sinyalin bir miktar gecikmesine veya kuvvet kaybına bağlı olarak, birbirinden 10 metre uzakta olmaları için Ufak bir ihtimal belirler. Sistem başka bütün profili Etraf düğümlerden kaynaştırdığı için; mümkün her değerin olasılığını günceller. Örnek olarak ; 1 haritaya ping atabilir vede odanın düzeninin, her iki düğümün de 13 metre uzaklıkta olduğunu belirtebilme ihtimalinin yüksek olduğunu gösterebilir. Güncellenen bütün profili birleştirerek; düğümün 10 metre uzakta olan konumda olma ihtimalinin çok henüz yüksek olduğuna karar verir.

Karmaşıklığı Azaltmak

Bununla beraber, oldukça Çok özelliği sinyallerden çıkarmak; sistem için çok kompleks ve verimsiz olabilen büyük boyutlu veriye yol açar. Verimliliği artırmak için araştırmacılar; bütün sinyal verilerini küçültülmüş ve basit hesaplanabilir bir alana indirdiler. Bunu yapmak için, çok boyutlu veri kümelerinde en yararlı istikametleri koruyan ve geri kalanı atarak; azaltılmış veri kümesini yaratan bir teknik olan “temel bileşen analizi”ne dayanarak en çok ve en az kullanışlı olan yerlerin alındığını belirlediler. Nihayet bir yenilik; ölçümlerden ve bağlamsal verilerden mümkün pozisyonları açıklayan istatistiksel bir modeli öğrenmek için makine öğrenme tekniklerini kullanıyordu. Bu model; sinyal atlamalarının ölçümleri nasıl etkileyebileceğini ölçmek için geri tasarıda çalışır ve sistemin doğruluğunu henüz da iyileştirir. Araştırmacılar; artık Lüzumlu bütün profili iletemeyen veya hesaplayamayan, kaynaklara bağlı düğümlerle çalışmak için henüz az hesaplama gücü kullanmanın yollarını tasarlıyor. Ayrı olarak, kimi düğümlerin bilgi paylaşamadığı sistemi “cihazsız” yerelleştirmeye getirmek için de çalışıyorlar. Bu; sinyallerin bu düğümlerden nasıl geri dağıldığına değin, üzerine profili kullanacak, böylece başka düğümler Mevcut olduklarını ve nerede bulunduklarını bileceklerdir..

Bir önceki yazımız olan Türkiye'nin Uzay Teknolojisindeki Yeni Hedefleri başlıklı makalemizi de okumanızı öneririz.

İlgili Makaleler

4 Yorum

  1. Teknolojiye ayak uydurmak gerçekten çok zor, bilgilendirici bir yazı olmuş, takipteyim.

  2. Teknik konulardan anlamıyorum ancak yazınızı sonuna kadar okudum, ilgi çekici bir konu, başarılar.

  3. İnsan her gün şiddet, kapkaç, kavga dövüş haberleri görmekten bıkıyor. Teknolojiyi de yakından takip etmek gerekiyor. Siteniz, bu alanda kaliteli hizmet verebilecek bir siteye benziyor

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu
Kapalı
Kapalı