WI-FI FINGERPRINTS: UNA SOLUZIONE INTELLIGENTE
L’esigenza di conoscere la posizione di personale, oggetti, beni e macchinari al fine di poter meglio monitorare i processi e la sicurezza è ormai elemento imprescindibile nel mercato odierno di Smart Industry e Industria 4.0.
Il mondo della navigazione indoor si concentra nello sfruttare l’ambiente e le tecnologie presenti, o comunque di facile reperibilità, per offrire all’utente la possibilità di orientarsi anche in ambienti con numerose barriere architettoniche avvalendosi inoltre di un’elevata scalabilità. Il risultato ottenuto da queste tecniche non fornirà un dato di posizione “assoluto”, come normalmente restituito da un’interrogazione GPS, bensì una posizione “relativa” che deve poi essere interpretata correttamente a seconda del contesto.
Tecniche che si posizionano in questa fascia sfruttano tecnologie come infra- rossi (IR), Bluetooth, identificazione a radio frequenza (RFID), ultrasuoni, tecniche di riconoscimento mediante tracciamento ottico e tecniche basate sui segnali wireless (RSSI techniques)
Il principio legato alla tecnica di posizionamento ad infrarossi è sintetizzabile con l’immagine del labirinto, utile a comprendere sia il funzionamento che i limiti di questo sistema, mentre per quanto riguarda il bluetooth le interferenze non sono date da ostacoli fisici ma dal rapportarsi dei ricevitori stessi.
Discorso analogo può essere fatto per gli ultrasuoni, il cui impulso può essere influenzato dalla presenza di ostacoli e i cui vantaggi dati da economicità e facilità di trasporto si infrangono contro l’alta complessità di posizionamento della matrice di sensori.
Le tecniche RFID invece possono essere basate su singola cella (la localizzazione prende come riferimento il tag più vicino) o multilaterazione (segnale raggiunto da almeno tre celle distinte e successiva triangolazione) ma soffrono ambedue fortemente della cosiddetta “multipath propagation”.
La localizzazione mediante tracciamento ottico è un caso a parte in quanto necessita del contatto visivo fra il soggetto da localizzare e il sistema di localizzazione. La precisione derivante dall’uso di questo sistema è ovviamente molto alta ma ciò avviene a discapito dei costi dell’infrastruttura. Un sistema di questo tipo trova il suo contesto ideale in ambienti statici dove il concetto di real-time costituisce un fattore chiave
Ultimo caso è quello rappresentato dalle tecniche di localizzazione basate sul raggio d’azione (RSSI) il cui algoritmo è basato sulla stima della potenza del segnale trasmesso, calcolata partendo dall’intensità percepita dall’antenna che riceve il segnale, al netto della perdita di intensità dovuta alla distanza dell’emettitore. Il numero di emettitori e la tecnica del loro posizionamento determinerà se andremo ad avvalerci della multilaterazione e di che tipo sarà. A fronte del risparmio dal punto di vista computazionale, anche qui, come nel caso precedente, gli svantaggi pratici saranno dovuti all’elevato costo dell’hardware.
Partendo da questi esempi chiave possiamo desumere che i parametri da monitorare quando si vogliono valutare le tecniche di localizzazione indoor saranno la complessità del software e i relativi costi computazionali, la robustezza intrinseca del sistema (ossia la capacità di operare correttamente anche condizioni non ottimali) e la sua scalabilità.
In questo quadro il Wi-Fi Fingerprinting, appartenente alle tecniche RSSI, permette di sfruttare access point pre-esistenti all’interno di un ambiente al fine di restituire la posizione di un dispositivo dotato di antenna senza sistema hardware dedicato. La localizzazione essendo elaborata unicamente dal software che si occupa di analizzare ed elaborare i dati provenienti dai diversi AP ha come unica infrastruttura di supporto la rete WLAN con costi d’implementazione prossimi allo zero.
La tecnica si risolve quindi nel rilevamento dei segnali Wi-Fi presenti in una determinata area al fine di ottenere “un’impronta digitale” disponibile ad uno o più client per consentire loro la localizzazione; la posizione verrà calcolata mediante un algoritmo di cluster-matching, ovvero trovando fra tutte le rilevazioni salvate in precedenza quale meglio si approssima alla rilevazione effettuata a run-time dal terminale dell’utente (ergo una eco della stanza che più si avvicina a quella rilevata dal client dotato di antenna WiFi e non una vera e propria indicazione topografica).
Fase propedeutica offline sarà la suddivisione dell’ambiente in Reference Points (RP) per i quali vengono effettuate una o più scansioni degli access point (AP) circostanti volte a costruire la mappa dell’ambiente poi salvata in database. Questa sarà seguita da una online in cui viene effettuata una scansione degli AP che costituisce una sorta di “Reference Point dinamico” da confrontare con tutti quelli presenti in memoria. Al termine della fase online l’utente ottiene un’indicazione della sua posizione corrispondente al RP più simile a quello da lui rilevato.
Uno studio interessante, condotto dal Centro di Ricerca per la comunicazione dell’Harbin Institute of Technology, ha dimostrato come l’avere una altissima concentrazione di AP non determini per forza un miglioramento in termini di accuratezza della localizzazione. Ogni AP non ha la stessa importanza all’interno di un sistema, motivo per cui, per evitare di immettere nel sistema informazioni non necessarie, si dovranno seguire precisi criteri di selezione.
L’analisi dei vecchi modelli utilizzati (Fisher, Joint Clustering, IGT, etc. ) ha portato alla luce alcuni evidenti limiti superabili però da una oculata partizione dell’ambiente in cluster e nell’utilizzo del Compressive Sensing.
Nel primo caso l’algoritmo utilizzato partiziona l’area in sotto-regioni, considerando come discriminante l’RSS percepito da un AP; se l’insieme dei valori di tutti gli AP mantiene nel tempo un valore stabile, allora questo gruppo appartiene alla stessa area.
L’uso del Compressive Sensing permette invece di ridurre la dimensione dei dati necessari a descrivere il fingerprint di un reference point, riuscendo comunque a ritornare ad un’immagine attendibile senza introdurre errori. Gli esperimenti fatti hanno dimostrato che utilizzando solo il 10% dei dati consente di risalire comunque all’intero sistema con un tasso d’errore inferiore al 16%.
L’obiettivo è quello di far decrescere progressivamente e in maniera significativa il numero di misurazioni rendendo più snello l’altrimenti dispendioso mantenimento della radio map.
Limite in cui, malgrado queste contromisure, il Wi-Fi fingerprinting continua ad incappare è quello di una potenziale multipath propagation. Occorre evidenziare inoltre che il campo di applicazione pratica di questa tecnica non possa essere troppo soggetto a variazioni improvvise (ad esempio un ambiente domestico) pena l’imprecisione della rilevazione. Proprio per questo è fondamentale effettuare un elevato numero di rilevazioni ad intervalli costanti e cadenzati nel tempo per far sì che la stima del fingerprint sia attendibile.
Una prova sperimentale è stata realizzata in un reale ambiente domestico, di circa 150 metri quadrati, con l’impossibilità di ricreare una rete di AP ad hoc per la rilevazione, dovendo quindi sfruttare solamente gli access point già presenti nell’edificio, questo per poter verificare la scalabilità del sistema in tutti i tipi di contesti indoor. Prima di poter mettere in funzione il sistema è stato necessario disegnare la mappa dell’edificio, al fine di suddividere l’appartamento in Reference Points consistenti, ciascuno della grandezza di circa 4 mq. Una volta effettuata la divisione è stata installata l’app sul device per effettuare la rilevazione all’interno delle stanze.
Il risultato ottenuto dimostra un’accuratezza della risposta pari al 1,5 metri (quindi una localizzazione della stanza corretta) ma anche una resilienza relativamente precaria poiché non in grado di reagire a forti variazioni. Se a ciò però andiamo ad affiancare una complessità irrisoria, un costo d’infrastruttura composto unicamente da smartphone e access point e una manutenzione che si attiva a seconda delle oscillazioni del contesto, il computo finale è più che positivo.
L’elemento infine che di diritto va a collocarla come tecnologia appetibile a tutti gli effetti è quello dell’alta scalabilità che la rende adatta sia per ambienti relativamente ridotti sia per spazi grandi in cui, anzi, si rivela ancor più performante.