Seguimiento preciso de RSSI WiFi para sensores de la ISS

Los sensores a bordo de la Estación Espacial Internacional (ISS), incluyendo monitores personales de CO₂, requieren seguimiento de ubicación para correlacionar sus datos con marca temporal con información posicional. El etiquetado de datos basado en inspección visual es costoso e impráctico para rastrear muchos sensores. Una solución barata y eficiente es utilizar el único dispositivo de medición adicional que estos sensores tienen; es decir, sus lecturas de intensidad de señal WiFi o Bluetooth.

Usando estas lecturas de intensidad de señal, este software apunta a proporcionar información de ubicación aproximada en tiempo para unidades de sensores individuales. El propósito del proyecto Module-level ISS Sensor Tracker (MIST) es establecer un formato de datos estándar y protocolo para registrar información de intensidad de señal WiFi para que luego pueda usarse para localizar sensores a bordo de la ISS. Google y Apple tienen soluciones propietarias para servicios de ubicación que combinan datos GPS con lecturas de intensidad WiFi para dar una estimación precisa de la posición de un celular; sin embargo, no existe tal método para rastrear dispositivos habilitados para WiFi en la ISS.

Se eligieron máquinas de vectores de soporte (SVM) como el algoritmo a seguir. La motivación principal es la alta precisión relativa al número de muestras requeridas para entrenamiento, ya que los datos de entrenamiento son el costo principal a bordo de la ISS. Se desarrolló una aplicación y biblioteca Python para tanto registrar información WiFi como predecir posiciones. Se construyó un pipeline de técnicas que da un rendimiento altamente preciso para los conjuntos de datos recopilados. Con un filtro de ventana móvil simple, el predictor puede identificar correctamente en qué módulo está un sensor con >95% de precisión. Mejoras adicionales podrán acercar esto mucho más al 100%.

El programa de software consiste en dos modos operativos: entrenamiento y tiempo de ejecución. Para entrenamiento, los datos RSSI WiFi se recopilan usando utilidades de línea de comandos estándar de Linux y se almacenan en formato csv. Las lecturas RSSI en cada paso temporal se correlacionan a una ubicación numerada; en este caso, el módulo de la ISS. Estos datos se ejecutan a través de un conjunto de funciones de preprocesamiento que eliminan lecturas malas/dispersas y arreglan los datos en un formato listo para el algoritmo SVM. El SVM se entrena contra el conjunto de datos de entrenamiento de acuerdo con un conjunto de parámetros ajustados manualmente.

En el modo operativo de tiempo de ejecución, los datos se recopilan muy parecido al modo de entrenamiento pero en serie. Estos datos se ejecutan a través del mismo preprocesador que los datos de entrenamiento, de modo que tanto los datos de entrenamiento como de tiempo de ejecución se escalan a la misma media y varianza. El SVM entonces toma estos datos preprocesados y hace una mejor suposición basada en sus parámetros ajustados sobre en qué módulo/ubicación se recogió la muestra. Usando un promedio de ventana móvil sobre cinco a diez muestras, se puede lograr una precisión de rastreo del 95% o más.

Ninguno de los aspectos individuales del algoritmo se conoce por ser totalmente novedoso, aunque el pipeline específico de subrutinas puede serlo. Otros proyectos comerciales similares existen pero ninguno que claramente proporcione la flexibilidad para trabajar sin información GPS.

Los desarrolladores buscan probar el sistema con datos de entrenamiento recopilados en la ISS, permitiéndoles ajustar los parámetros del sistema y determinar el valor del seguimiento WiFi SVM en un entorno verdaderamente de alta reflexión.

NASA busca licenciar libremente este software y hacerlo disponible para uso general en proyectos de código abierto. Por favor contacte al Concierge de Licencias de NASA en Esta dirección de correo electrónico está protegida contra spambots. Necesita tener JavaScript habilitado para verla., o llámenos al 202-358-7432 para iniciar discusiones de licenciamiento.