Sistema de posicionamiento Wi-Fi

Las técnicas de localización RSSI se basan en la medición aproximada de la intensidad relativa de la señal en un dispositivo cliente desde varios puntos de acceso diferentes, y luego combinan esta información con un modelo de propagación para determinar la distancia entre el dispositivo cliente y los puntos de acceso. Las técnicas de trilateración (a veces llamadas multilateración) se pueden utilizar para calcular la posición estimada del dispositivo cliente en relación con la posición esperada de los puntos de acceso. ^{[ 11 ] [ 14 ]}

Aunque es uno de los métodos más baratos y fáciles de implementar, su desventaja es que no proporciona una precisión muy buena (mediana de 2–4 m), porque las mediciones RSSI tienden a fluctuar según los cambios en el entorno o el desvanecimiento por trayectos múltiples . ^{[ 5 ]}

Cisco utiliza RSSI para localizar dispositivos a través de sus puntos de acceso. Los puntos de acceso recopilan los datos de ubicación y actualizan la ubicación en la nube de Cisco llamada Cisco DNA Spaces . ^{[ 16 ]}

El muestreo de Monte Carlo es una técnica estadística utilizada en el mapeo de redes Wi-Fi en interiores para estimar la ubicación de los nodos inalámbricos. El proceso implica la creación de mapas de intensidad de señal inalámbrica mediante un enfoque de trazado de rayos paramétrico y basado en mediciones en dos etapas. Esto tiene en cuenta las características de absorción y reflexión de diversos obstáculos en el entorno interior. ^{[ 17 ]}

Las estimaciones de ubicación se calculan mediante filtrado bayesiano en conjuntos de muestras derivados mediante muestreo de Monte Carlo. Se ha comprobado que este método proporciona buenas estimaciones de ubicación de los usuarios con precisión subhabitual utilizando lecturas de intensidad de señal recibida (RSSI) de un único punto de acceso. ^{[ 18 ]}

La huella digital tradicional también se basa en RSSI, pero simplemente se basa en el registro de la intensidad de la señal de varios puntos de acceso dentro del alcance y el almacenamiento de esta información en una base de datos junto con las coordenadas conocidas del dispositivo cliente en una fase fuera de línea. Esta información puede ser determinista ^{[ 5 ]} o probabilística ^{[ 7 ]} . Durante la fase de seguimiento en línea, el vector RSSI actual en una ubicación desconocida se compara con los almacenados en la huella digital y la coincidencia más cercana se devuelve como la ubicación estimada del usuario. Dichos sistemas pueden proporcionar una precisión media de 0,6 m y una precisión de cola de 1,3 m ^{[ 14 ] [ 19 ] .}

Su principal desventaja es que cualquier cambio en el entorno, como añadir o quitar muebles o edificios, puede modificar la "huella digital" que corresponde a cada ubicación, lo que requiere actualizar la base de datos de huellas digitales. Sin embargo, se puede utilizar la integración con otros sensores, como cámaras, para hacer frente a un entorno cambiante. ^{[ 20 ]}

Con la llegada de las interfaces Wi-Fi MIMO, que utilizan múltiples antenas, es posible estimar el ángulo de llegada (AoA) de las señales multitrayecto recibidas en los conjuntos de antenas de los puntos de acceso y aplicar la triangulación para calcular la ubicación de los dispositivos cliente. SpotFi ^{[ 14 ]} , ArrayTrack ^{[ 10 ]} y LTEye ^{[ 21 ]} son ​​soluciones propuestas que emplean este tipo de técnica.

El cálculo típico del AoA se realiza con el algoritmo MUSIC . Suponiendo una matriz de antenas de${\displaystyle M}$antenas igualmente espaciadas por una distancia de${\displaystyle d}$y una señal que llega al conjunto de antenas a través de${\displaystyle L}$rutas de propagación, una distancia adicional de${\displaystyle d\sin \theta }$es transportada por la señal para llegar a la segunda antena del conjunto. ^{[ 14 ]}

Considerando que el${\displaystyle k}$La ruta de propagación -ésima llega con ángulo${\displaystyle \theta _{k}}$con respecto a la normal del conjunto de antenas del punto de acceso,${\displaystyle \gamma _{k}}$es la atenuación experimentada en cualquier antena del conjunto. La atenuación es la misma en cada antena, excepto por un desfase que cambia para cada antena debido a la distancia adicional que recorre la señal. Esto significa que la señal llega con una fase adicional de

${\displaystyle -2\pi \cdot d\cdot \sin(\theta )\cdot (f/c)\cdot (2-1)}$

en la segunda antena y

${\displaystyle -2\pi \cdot d\cdot \sin(\theta )\cdot (f/c)\cdot (m-1)}$

al${\displaystyle m}$-ª antena. ^{[ 14 ]}

Por lo tanto, la siguiente exponencial compleja puede utilizarse como una representación simplificada de los cambios de fase experimentados por cada antena en función del AoA de la trayectoria de propagación: ^{[ 14 ]}

$${\displaystyle \phi (\theta _{k})=\exp(-j\cdot 2\pi \cdot d\cdot \sin(\theta _{k})\cdot f/c)}$$

El AoA puede entonces expresarse como el vector${\displaystyle {\vec {a}}(\theta _ {k})\gamma _ {k}}$de señales recibidas debido a la${\displaystyle k}$-ésima ruta de propagación, donde${\displaystyle {\vec {a}}(\theta _ {k})}$es el vector de dirección y viene dado por: ^{[ 14 ]}$${\displaystyle {\vec {a}}(\theta _{k})=[1,\ \phi (\theta _{k}),\ \dots ,\ \phi (\theta _{k})^{M-1}]^{T}}$$Hay un vector de dirección para cada ruta de propagación y la matriz de dirección.${\displaystyle \mathbf {A} }$(de dimensiones${\displaystyle M\cdot L}$) se define entonces como: ^{[ 14 ]}$${\displaystyle \mathbf {A} =[{\vec {a}}(\theta _{1}),\dots ,{\vec {a}}(\theta _{L})]}$$y el vector de señal recibida${\displaystyle {\vec {x}}}$es: ^{[ 14 ]}$${\displaystyle {\vec {x}}=\mathbf {A} {\vec {\Gamma }}}$$dónde${\displaystyle {\vec {\Gamma }}=[{\vec {\gamma }}_{1}\dots {\vec {\gamma }}_{L}]}$es la atenuación compleja del vector a lo largo del${\displaystyle L}$rutas. ^{[ 14 ]} OFDM transmite datos a través de múltiples subportadoras diferentes, por lo que las señales recibidas medidas${\displaystyle {\vec {x}}}$correspondientes a cada subportadora forman la matriz${\displaystyle \mathbf {X} }$expresado como: ^{[ 14 ]}$${\displaystyle \mathbf {X} =[{\vec {x}}_{1}\dots {\vec {x}}_{L}]=\mathbf {A} [{\vec {\Gamma }}_{1}\dots {\vec {\Gamma }}_{L}]=\mathbf {AF} }$$La matriz${\displaystyle \mathbf {X} }$ viene dada por la matriz de información del estado del canal ( CSI ) que se puede extraer de las tarjetas inalámbricas modernas con herramientas especiales como la herramienta Linux 802.11n CSI Tool. ^{[ 22 ]}

Aquí es donde se aplica el algoritmo MUSIC , primero calculando los autovectores de${\displaystyle \mathbf {X} \mathbf {X} ^{H}}$(dónde${\displaystyle \mathbf {X} ^{H}}$es la transpuesta conjugada de${\displaystyle \mathbf {X} }$) y utilizando los vectores correspondientes al valor propio cero para calcular los vectores de dirección y la matriz${\displaystyle \mathbf {A} }$. ^{[ 14 ]} Los AoA se pueden deducir a partir de esta matriz y utilizarse para estimar la posición del dispositivo cliente mediante triangulación .

Aunque esta técnica suele ser más precisa que otras, puede requerir hardware especial para su implementación, como una matriz de seis a ocho antenas ^{[ 10 ]} o antenas giratorias. ^{[ 21 ]} SpotFi ^{[ 14 ]} propone el uso de un algoritmo de superresolución que aprovecha el número de mediciones tomadas por cada una de las antenas de las tarjetas Wi-Fi con solo tres antenas, e incorpora además localización basada en ToF para mejorar su precisión.

El método de localización por tiempo de vuelo (ToF) utiliza las marcas de tiempo proporcionadas por las interfaces inalámbricas para calcular el ToF de las señales y, posteriormente, emplea esta información para estimar la distancia y la posición relativa de un dispositivo cliente con respecto a los puntos de acceso. La granularidad de estas mediciones de tiempo es del orden de nanosegundos, y los sistemas que utilizan esta técnica han reportado errores de localización del orden de 2 m. ^{[ 14 ]} Las aplicaciones típicas de esta tecnología son el etiquetado y la localización de activos en edificios, para los cuales una precisión a nivel de habitación (~3 m) suele ser suficiente. ^{[ 24 ]}

Las mediciones de tiempo tomadas en las interfaces inalámbricas se basan en el hecho de que las ondas de radiofrecuencia viajan cerca de la velocidad de la luz, la cual permanece prácticamente constante en la mayoría de los medios de propagación en entornos interiores. Por lo tanto, la velocidad de propagación de la señal (y, en consecuencia, el tiempo de vuelo) no se ve tan afectada por el entorno como las mediciones RSSI. ^{[ 23 ]}

A diferencia de las técnicas de eco tradicionales basadas en ToF, como las utilizadas en los sistemas RADAR , las técnicas de eco Wi-Fi utilizan tramas de comunicación de datos y acuse de recibo regulares para medir el ToF. ^{[ 23 ]}

Al igual que en el enfoque RSSI, el ToF se utiliza únicamente para estimar la distancia entre el dispositivo cliente y los puntos de acceso. Posteriormente, se puede emplear una técnica de trilateración para calcular la posición estimada del dispositivo con respecto a los puntos de acceso. ^{[ 24 ]} Los mayores desafíos del enfoque ToF radican en lidiar con problemas de sincronización de reloj , ruido, artefactos de muestreo y efectos de canal multitrayecto. ^{[ 24 ]} Algunas técnicas utilizan enfoques matemáticos para eliminar la necesidad de sincronización de reloj. ^{[ 15 ]}

Más recientemente, el estándar Wi-Fi Round Trip Time ha proporcionado excelentes capacidades de medición de distancias ToF a Wi-Fi.

A partir de 2019La ley francesa exige que los drones que pesen más de 800 gramos transmitan sus coordenadas GPS, velocidad, rumbo, tipo de aeronave y números de serie a través de Wi-Fi. ^{[ 25 ]} Los datos se codifican en tramas de baliza Wi-Fi a través de un elemento de proveedor 802.11 (con el OUI de SGSDN de 6A:5C:35 ^{[ 26 ]} ) que contiene subcampos codificados en TLV especificados en la legislación. ^{[ 27 ]}

Aunque el formato de datos está diseñado para su uso en vehículos aéreos en movimiento, se puede adaptar fácilmente a puntos de acceso Wi-Fi estáticos (por ejemplo, configurando el campo de velocidad horizontal a cero).

Las coordenadas GPS de estas transmisiones se especifican con una precisión de 10⁻⁵ ^grados decimales y pueden ser leídas por dispositivos cliente Wi-Fi, y luego utilizadas para inferir la posición del dispositivo cliente junto con la confirmación de otras técnicas y fuentes de datos.