Трекер датчика WiFi RSSI для МКС

Датчики на борту Международной космической станции (МКС), в том числе персональные CO₂ мониторы требуют отслеживания местоположения, чтобы сопоставить их данные с отметками времени с информацией о местоположении. Маркировка данных на основе визуального осмотра является дорогостоящей и нецелесообразной для отслеживания многих датчиков. Дешевое и эффективное решение состоит в том, чтобы использовать одно дополнительное измерительное устройство, которое есть у этих датчиков; а именно, их показания мощности сигнала WiFi или Bluetooth.

Используя эти показания уровня сигнала, это программное обеспечение предназначено для предоставления информации о приблизительном местоположении во времени для отдельных сенсорных блоков. Целью проекта ISS Sensor Tracker (MIST) на уровне модуля является установка стандартного формата данных и протокола для записи информации об уровне сигнала WiFi, чтобы впоследствии ее можно было использовать для обнаружения датчиков на борту МКС. У Google и Apple есть проприетарные решения для служб определения местоположения, которые объединяют данные GPS с показаниями мощности WiFi, чтобы дать точную оценку местоположения мобильного телефона; однако такого метода для отслеживания устройств с поддержкой Wi-Fi на МКС не существует.

В качестве алгоритма были выбраны машины опорных векторов (SVM). Основной мотивацией является высокая точность относительно количества образцов, необходимых для обучения, поскольку данные для обучения составляют основную часть расходов на борту МКС. Было разработано приложение и библиотека Python как для регистрации информации WiFi, так и для прогнозирования позиций. Был построен ряд методов, обеспечивающих высокую точность работы с собранными наборами данных. С помощью простого фильтра с скользящим окном предиктор может правильно определить, в каком модуле находится датчик, с точностью>95 %. Дальнейшие улучшения позволят значительно приблизить это значение к 100%.

Программное обеспечение состоит из двух режимов работы:обучения и выполнения. Для обучения данные WiFi RSSI собираются с помощью стандартных утилит командной строки Linux и сохраняются в формате csv. Показания RSSI на каждом временном шаге соотносятся с пронумерованным местоположением; в данном случае модуль МКС. Эти данные проходят через набор функций предварительной обработки, которые удаляют плохие/разреженные показания и упорядочивают данные в формат, готовый для алгоритма SVM. Затем SVM обучается на обучающем наборе данных в соответствии с настроенным вручную набором параметров.

В режиме выполнения данные собираются так же, как и в режиме обучения, но последовательно. Эти данные обрабатываются тем же препроцессором, что и обучающие данные, так что и обучающие данные, и данные времени выполнения масштабируются до одного и того же среднего значения и дисперсии. Затем SVM берет эти предварительно обработанные данные и на основе настроенных параметров делает наилучшее предположение о том, в каком модуле/месте был собран образец. Используя усреднение скользящего окна по пяти-десяти образцам, можно достичь точности отслеживания более 95%. .

Известно, что ни один из отдельных аспектов алгоритма не является полностью новым, хотя конкретный конвейер подпрограмм может быть таковым. Существуют и другие подобные коммерческие проекты, но ни один из них не обеспечивает гибкости для работы без информации GPS.

Разработчики хотят протестировать систему с помощью обучающих данных, собранных на МКС, что позволит им настроить параметры системы и убедиться в ценности отслеживания Wi-Fi SVM в среде с действительно высоким коэффициентом отражения.

НАСА стремится бесплатно лицензировать это программное обеспечение и сделать его доступным для общего использования в проектах с открытым исходным кодом. Пожалуйста, свяжитесь с консьержем НАСА по лицензированию:Этот адрес электронной почты защищен от спам-ботов. Для просмотра у вас должен быть включен JavaScript. Или позвоните нам по телефону 202-358-7432, чтобы начать обсуждение лицензирования.