Descripcion y Objetivos

La localización es parte esencial para el desarrollo de ciertos servicios y aplicaciones, ya que permite mejorar la experiencia del usuario final conociendo la ubicación exacta en la que éste se encuentra.
Existen dos técnicas principales para determinar la ubicación de un usuario: (i) GPS (Global Positioning System)
para la localización en exteriores; y (ii) Señales inalámbricas como Wi-Fi y/o
Bluetooth, para la localización en interiores. Este trabajo se centra en las últimas. 

La localización en interiores se basa en el RSSI (Received Signal Strength Indication) que emiten los dispositivos (Wi-Fi o Bluetooth) de referencia. El RSSI es un un valor numérico que puede ser capturado por un dispositivo con un receptor de señales, y que se mide Decibelios (dB). Las señales están afectadas por dos  afectadas por dos factores principales: la distancia entre emisor y receptor; y la interferencia que
exista en el medio en forma de ruido y/u obstáculos.

El objetivo principal de este TFM es llevar a cabo un análisis de la señal RSSI emitida por un conjunto de dispositivos Bluetooth, y su relación con la posición de un individuo. Este trabajo parte de una colección de datos (señal-posición) previamente recolectados y se descompone, a su vez, en otra serie de objetivos más específicos:

• Estudio y análisis exploratorios de los datos disponibles. 
• Uso y evaluación de técnicas basadas en Machine learning para mejorar el rendimiento del algoritmo de localización. 
• Análisis de los resultados obtenidos.
• Optimización de los resultados de localización obtenidos mediante el estudio de las características de la señal, y ajuste de los algoritmos. 

En este proyecto particular se propone la transformación del conjunto de señales a imágenes susceptibles de ser procesadas por redes neuronales convolucionales, y se comparan con los resultados existentes obtenidos sobre datos tabulares.

 

Metodología y Competencias

El trabajo se descompone en una serie de hitos temporales que coinciden, en parte,  con los objetivos descritos:

1. Estudio del problema, de los datos y de los objetivos. 
2. Análisis exploratorio de los datos. 
3. Creación de un modelo basado en machine learning y análisis de los resultados obtenidos
4. Optimización de los resultados obtenidos. 

En relación a las competencias, el trabajo se centra especialmente en el desarrollo de las siguientes:

[4] Capacidad para el modelado matemático, cálculo y simulación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Ingeniería en Informática.

[8] Capacidad para la aplicación de los conocimientos adquiridos y de resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y mulitidisciplinares, siendo capaces de integrar estos conocimientos.

 

Medios a utilizar

Lenguaje de programación Python y sus librerías para análisis de datos y aprendizaje automático:

• Numpy
• Pandas
• Matplotlib / seaborn
• scikit-learn
• tensoflow / keras

 

Bibliografía

•  X. Wang, L. Gao, S. Mao, and S. Pandey, “Csi-based fingerprinting for indoor localization: A deep learning approach,” IEEE Transactions on Vehicular Technology, vol. 66, no. 1, pp. 763–776, 2017.
• P. Kriz, F. Maly, and T. Kozel, “Improving indoor localization using bluetooth low energy beacons,” Mobile Information Systems, vol. 2016, pp. 2 083 094:1–2 083 094:11, 2016.
• X.-Y. Lin, T.-W. Ho, C.-C. Fang, Z.-S. Yen, B.-J. Yang, and F. Lai, “A mobile indoor positioning system based on ibeacon technology,” in Engineering in Medicine and Biology Society (EMBC), 2015 37th Annual International Conference of the IEEE. IEEE, 2015, pp. 4970-4973
• M. Castillo-Cara, J. Lovón-Melgarejo, G. Bravo-Rocca, L. Orozco-Barbosa, and I. Garcıa-Varea, “An empirical study of the transmission power setting for bluetooth-based indoor localization echanisms,” Sensors, vol. 17, no. 6-1318, 2017.
• M. Castillo-Cara, J. Lovón-Melgarejo, G. Bravo-Rocca, L. Orozco-Barbosa, and I. Garcıa-Varea, “An analysis of multiple criteria and setups for bluetooth smartphone-based indoor localization mechanism,” Journal of Sensors, vol. 2017, no. 1928578, pp. 1–22, 2017.