Em Landmarc [66], etiquetas RFID de referência são distribuídas no ambiente e os valores de RSSI são medidos pelos equipamentos leitores. Ao mesmo tempo, etiquetas em posições desconhecidas são lidas e seus valores de RSSI são utilizados em um algoritmo k-NN para encontrar as etiquetas de referência mais próximas, estimando a posição das etiquetas desconhecidas (alvo). As etiquetas de referência obrigatoriamente devem estar presentes no cenário durante a localização das etiquetas desconhecidas. Na configuração padrão, quatro leitores RFID, 16 etiquetas de referência e oito etiquetas alvo são distribuídas no ambiente, conforme ilustrado na Figura 21. São empregadas somente etiquetas RFID ativas (longo alcance), operando na frequência de 308 MHz. O erro médio da localização foi próximo de 1 m com 50% de probabilidade de sucesso. O erro máximo observado foi igual a 2 m. Também foi constatado que utilizando um número maior de leitores e antenas, a precisão e o overhead de processamento do sistema aumentam.
Figura 21 - Ambiente de experimentos do Landmarc: dimensões do cenário e organização dos componentes. Fonte: [66].
Leitor/antena RFID Etiqueta de referência Etiqueta alvo 1 m 2 m 3 m 4 m 5 m 6 m 7 m 8 m 9 m (0, 0) 1 m 2 m 3 m 4 m
Em [12], a técnica Landmarc é comparada a um modelo de localização baseado em RNA (Figura 22a). Durante a fase de treinamento, para cada antena do leitor, o valor de RSSI das etiquetas de referência alimentam a entrada da rede. Na camada de saída, as coordenadas (x, y) e o ângulo de orientação (θ) das etiquetas é fornecido. No ambiente
de experimentos (Figura 22b), as etiquetas de referência são separadas por uma distância de 50 cm. Os resultados demonstram que a precisão é 7 cm melhor que o sistema Landmarc em cenários sem obstáculos. Em cenários mais complexos (posicionamento de etiquetas mais denso, obstáculos, etc.), o algoritmo k-NN do Landmarc superou a rede neural em 20-25 cm.
Figura 22 – Rede neural proposta (a) e configuração de ambiente dos experimentos (b). Fonte: [12].
Em [74], um modelo de propagação que considera as perdas no caminho é usado para gerar o fingerprint RSSI no ambiente interno. O modelo empregado considera a atenuação do sinal causada por obstáculos e paredes, além das áreas de sombreamento1. O RSSI de cada antena do leitor e as coordenadas das etiquetas são fornecidas como entradas e saídas de uma rede neural, respectivamente. Uma ferramenta de simulação é proposta baseada em etiquetas RFID ativas e considerando antenas isotrópicas2 (inviáveis em ambientes reais). Os resultados utilizando três antenas demonstraram uma precisão de até 2 m com 80% de probabilidade de sucesso. Utilizando nove antenas, o percentual de sucesso foi de 98% na mesma precisão.
Sala et al [75] ampliaram o trabalho anterior para suportar agrupamentos de antenas. É proposto um método de agrupamento automático baseado em k-NN, sendo
1 O sombreamento é caracterizado por variações aleatórias na potência do sinal recebido devido às
obstruções no percurso de propagação do sinal. Estas variações também são causadas por alterações nas superfícies refletoras e objetos dispersivos.
2 Uma antena isotrópica irradia os sinais uniformemente em todas as direções. Este tipo de antena
existe somente na teoria (não existe antena ideal), e sua finalidade é servir como padrão de referência na medição de outras antenas.
(a) Estrutura da rede neural (b) Ambiente de experimentos
4 m 3 m Antena 4 Antena 3 Antena 1 Antena 2 Etiqueta de referência Antena 1 Antena 2 Antena 3 Antena 4 Camada 1 1-30 neurônios (variável) Camada 2 40 neurônios Camada 3 40 neurônios Camada 4 3 neurônios
uma rede neural treinada para cada grupo. A rede neural é alimentada pelos valores de RSSI de cada antena do grupo e define as coordenadas (x, y) como saída. A precisão do sistema foi de 0,78 m com 90% de sucesso utilizando nove antenas na configuração com sete agrupamentos. Da mesma forma que o trabalho anterior, todos os experimentos foram realizados através de um simulador baseado em modelos de propagação, não sendo executados ensaios em ambientes reais.
Wille et al [96] apresentam um modelo de localização baseado em Support Vector
Regression (SVR) aplicado a sistemas de cirurgia assistida por computador (navegação
cirúrgica). Diferente dos IPSs RFID tradicionais, o deslocamento da fase1 é utilizado como
indicador para treinar e executar o modelo SVR. Os experimentos foram realizados dentro de um recipiente plástico (50 cm x 90 cm x 20 cm), projetado para emular o corpo e a cabeça humana. Oito antenas conectadas a um leitor RFID operando na frequência de 868 MHz foram posicionadas nas paredes internas do recipiente, conforme ilustrado na Figura 23a. Em um dos testes de validação (Figura 23b), um equipamento CNC (Comando Numérico Computadorizado) moveu uma etiqueta RFID passiva na trajetória que compreende o formato de um cubo (3 cm x 3 cm x 3 cm). A cada 1 mm, foram coletadas amostras do deslocamento da fase da etiqueta, medido pelas antenas presentes. A partir das amostras, um subconjunto de dados foi utilizado para treinar o modelo SVR e o conjunto completo foi empregado para verificar se as estimativas do modelo estavam corretas. Dois subconjuntos de treinamento com resolução de 5 mm e 10 mm foram avaliados. Os resultados demonstraram uma precisão de 1,3 mm e 6,8 mm nas resoluções de 5 mm e 10 mm, respectivamente.
Figura 23 – Desenho do recipiente plástico e posicionamento das antenas RFID (a) e o cubo (verde) representando as amostras coletadas nos experimentos (b). Fonte: [96].
1 Deslocamento da fase é a diferença, expressa em ângulo ou tempo, entre duas ondas
eletromagnéticas que tenham a mesma frequência e em referência ao mesmo ponto no tempo.
(a) Leiaute do recipiente e antenas RFID (b) Distribuição das amostras no formato de cubo dentro do recipiente
Em [48], a abordagem Landmarc é combinada a uma rede neural com retro- propagação. Inicialmente, o Landmarc utiliza os valores de RSSI medidos para estimar as coordenadas da etiqueta alvo. Dado que a relação entre o RSSI e a distância é dinâmica, a rede neural ajusta estas coordenadas visando aumentar a precisão da localização. As entradas da RNA proposta são as coordenadas estimadas pelo Landmarc, enquanto as saídas são as coordenadas (x, y) ajustadas. Na fase offline, a rede neural aprende a relação não-linear entre as coordenadas calculadas pelo Landmarc e as coordenadas reais das etiquetas alvo. Na fase online, o processo de localização é executado em três fases: (i) os valores de RSSI da etiqueta alvo são agrupados através da média simples, resultando em um único valor de RSSI; (ii) o Landmarc estima a posição da etiqueta alvo; (iii) a posição estimada pelo Landmarc é utilizada como entrada para a rede neural treinada, fornecendo como saída a posição otimizada do alvo. Os resultados demonstraram um erro de 56 cm no cenário em que a distância entre as etiquetas de referência era de 30 cm. Em comparação ao Landmarc, o método proposto aprimorou a precisão em 31%.