Точный WiFi RSSI трекинг для датчиков МКС

Датчики на борту Международной космической станции (МКС), включая персональные CO₂ мониторы, требуют трекинга локации для корреляции их временно-штампованных данных с позиционной информацией. Маркировка данных на основе визуального осмотра дорога и непрактична для трекинга многих датчиков. Дешевое и эффективное решение — использовать одно дополнительное измерительное устройство, которое эти датчики имеют; а именно, их показания силы сигнала WiFi или Bluetooth.

Используя эти показания силы сигнала, это программное обеспечение стремится предоставить приблизительную информацию о локации во времени для индивидуальных сенсорных единиц. Цель проекта Module-level ISS Sensor Tracker (MIST) — установить стандартный формат данных и протокол для записи информации о силе WiFi сигнала, чтобы она позже могла быть использована для локализации датчиков на борту МКС. Google и Apple имеют проприетарные решения для сервисов локации, комбинирующие GPS данные с показаниями силы WiFi для точной оценки позиции мобильного телефона; однако, не существует такого метода для трекинга WiFi-устройств на МКС.

Методы опорных векторов (SVM) были выбраны как алгоритм для преследования. Главная мотивация — высокая точность относительно количества образцов, необходимых для обучения, так как обучающие данные — основная стоимость на борту МКС. Было разработано Python-приложение и библиотека для логирования WiFi информации и предсказания позиций. Конвейер техник был построен, дающий высокую точность для собранных наборов данных. С простым скользящим оконным фильтром предиктор может правильно идентифицировать, в каком модуле находится датчик, с >95% точностью. Дальнейшие улучшения смогут приблизить это гораздо ближе к 100%.

Программа состоит из двух режимов работы: обучения и runtime. Для обучения WiFi RSSI данные собираются с использованием стандартных Linux командной строки утилит и хранятся в csv формате. RSSI показания на каждом временном шаге коррелируются с пронумерованной локацией; в этом случае, модуль МКС. Эти данные прогоняются через набор функций предобработки, который отсекает плохие/редкие показания и устраивает данные в формат, готовый для SVM алгоритма. SVM затем обучается против обучающего набора данных в соответствии с ручно-настроенным набором параметров.

В runtime режиме работы данные собираются так же, как в режиме обучения, но последовательно. Эти данные прогоняются через тот же препроцессор, как обучающие данные, так что и обучающие, и runtime данные масштабируются к одному среднему и дисперсии. SVM затем берет эти предобработанные данные и делает лучшее предположение на основе своих настроенных параметров о том, в каком модуле/локации был собран образец. Используя скользящее оконное усреднение над пятью-десятью образцами, можно достичь более 95% точности трекинга.

Ни один из индивидуальных аспектов алгоритма не известен как полностью новаторский, хотя конкретный конвейер подпрограмм может быть. Другие похожие коммерческие проекты существуют, но ни один, который четко предоставляет гибкость работать без GPS информации.

Разработчики стремятся протестировать систему с обучающими данными, собранными на МКС, позволяя им настроить параметры системы и определить ценность SVM WiFi трекинга в по-настоящему высокорефлективной среде.

NASA стремится свободно лицензировать это программное обеспечение и сделать его доступным для общего использования для открытых проектов. Пожалуйста, свяжитесь с лицензиарным консьержем NASA по адресу This email address is being protected from spambots. You need JavaScript enabled to view it., или позвоните нам по телефону 202-358-7432 для начала лицензионных переговоров.