3.4
Problemas dos M´etodos por Fingerprinting
Existem alguns problemas associados `a utiliza¸c˜ao dos m´etodos por Fingerprinting, nos quais se concentram grandes esfor¸cos para proceder `a sua elimina¸c˜ao ou `a sua mitiga¸c˜ao. Alguns desses problemas s˜ao descritos nesta sec¸c˜ao do presente trabalho onde s˜ao tamb´em descritas algumas propostas encontradas na literatura de forma a resolver estes problemas.
• Mudan¸cas no Cen´ario e Dependˆencia Temporal:
Quando um mapa de Fingerprint ´e criado, atrav´es da recolha das amostras dos valores de RSS nos pontos espaciais a considerar, este vai se degradando ao longo do tempo. Chama-se a este fen´omeno dependˆencia temporal dos mapas de Fingerprint. Deve-se principalmente `a mudan¸ca de condi¸c˜oes ambientais ou de mudan¸cas de cen´ario. Os valores de RSS para um determinado ponto espacial provenientes de cada referˆencia ser˜ao diferentes caso se verifiquem diferentes condi¸c˜oes de temperatura ou de humidade relativa. Mudan¸cas no cen´ario como por exemplo a adi¸c˜ao de arm´arios ou diferente n´umero de pessoas presentes causam tamb´em flutua¸c˜oes nos valores de potˆencia recebida causados por multipath interference ou shadow fading [48, 67].
Isto implica que sempre que existam este tipo de modifica¸c˜oes, que n˜ao podem ser controladas, a exatid˜ao e precis˜ao, logo a qualidade do mapa, v˜ao se degradando. A solu¸c˜ao mais simples passa por uma nova fase offline com a obten¸c˜ao de novas amostras para a cria¸c˜ao de um novo mapa. Ora este processo ´e moroso e n˜ao muito eficaz, e em alguns casos cujos cen´arios sejam substancialmente grandes, torna-se impratic´avel. A solu¸c˜ao para este problema na literatura passa essencialmente por duas solu¸c˜oes atualmente sendo estas:
Utiliza¸c˜ao de Modelos de Propaga¸c˜ao Indoor: Uma solu¸c˜ao para este problema passa por simular a recolha das amostras de RSS com a utiliza¸c˜ao de modelos de propaga¸c˜ao de sinais electromagn´eticos para ambientes indoor. Desta forma, e tendo um software capaz de ”calcular” os mapas, deixa de
existir necessidade da obten¸c˜ao de amostras para a cria¸c˜ao do mapa uma vez que estes valores s˜ao obtidos on-the-fly. Alguns exemplos de trabalhos deste tipo podem ser encontrados na literatura como ´e o caso de [13, 48, 51].
Mapas Adaptativos: Uma outra poss´ıvel forma de mitigar os efeitos causados pela dependˆencia temporal dos mapas de Fingerprint ´e a utiliza¸c˜ao de mapas adaptativos. Estes mapas, em teoria, n˜ao ter˜ao que ser novamente criados caso as condi¸c˜oes do ambiente ou cen´ario se alterem poupando nos custos necess´arios `a sua manuten¸c˜ao. Na literatura s˜ao encontradas duas t´ecnicas diferentes para a utiliza¸c˜ao desta abordagem.
Chi-Chung Lo et al., em [68] prop˜oe uma abordagem em que para al´em de retirar os valores de RSS provenientes de cada referˆencia, guardar tamb´em os valores de RSS entre cada uma delas e guardar diferentes mapas para diferentes condi¸c˜oes. Na fase online em primeiro lugar s˜ao verificadas as condi¸c˜oes, atrav´es dos valores de RSS entre referˆencias para a escolha do mapa.
Uma outra t´ecnica ´e a adapta¸c˜ao dos mapas sempre que ´e feito um pedido de localiza¸c˜ao. Quando um terminal m´ovel pretende ser localizado, depois do LEA retornar a informa¸c˜ao de localiza¸c˜ao, o mapa ´e atualizado com os novos valores obtidos de forma a que seja feita a cria¸c˜ao de um mapa de Fingerprint que ´e atualizado sempre que este ´e utilizado. Esta t´ecnica pode ser encontrada no trabalho de Thierry Dumont et al. em [69].
• Heterogeneidade de Clientes:
Um outro problema deste tipo de abordagem ao problema da localiza¸c˜ao deve- se `a heterogeneidade de clientes a necessitarem de localiza¸c˜ao. Um mapa de Fingerprint ´e criado atrav´es de amostras de RSS obtidas atrav´es de um dispositivo m´ovel que contem determinados valores de ganhos de antena. Um outro qualquer dispositivo que pretenda obter localiza¸c˜ao nas mesmas condi¸c˜oes obrigatoriamente ter´a diferentes valores de RSS nas mesmas condi¸c˜oes [70,71]. Para a resolu¸c˜ao deste problema podem ser utilizados modelos de pr´e-calibra¸c˜ao dos valores de RSS adquiridos pelos terminais m´oveis ao mapa de Fingerprint guardado. Esta t´ecnica foi aplicada com sucesso por P. Mestre et al. em [70].
3.4. PROBLEMAS DOS M´ETODOS POR FINGERPRINTING 61
Mikkel B. Kjærgaard [71], tenta uma abordagem usando Hyperbolic Location Fingerprinting em que s˜ao guardados nos mapas valores de raz˜oes entre sinais provenientes das referˆencias, ao contr´ario da abordagem cl´assica de guardar o valor m´edio do conjunto de amostras. Com esta t´ecnica ´e poss´ıvel diminuir os efeitos provocados pela heterogeneidade de clientes.
• Corpo Humano:
Desde os primeiros sistemas de localiza¸c˜ao em ambientes indoor que se reconhece o problema da absor¸c˜ao do pr´oprio corpo humano de sinais electromagn´eticos. Isto deve-se ao facto de que a frequˆencia de ressonˆancia da ´agua, que comp˜oe mais de 70% do corpo humano, ´e de 2.4Ghz o que equivale `a frequˆencia utilizada por redes sem fios IEEE802.11. Como estas frequˆencias s˜ao iguais, o corpo humano absorve parte destes sinais o que cria erros na obten¸c˜ao da localiza¸c˜ao [10,32].
A solu¸c˜ao mais comum ´e, na cria¸c˜ao do mapa, tirar amostras em v´arias dire¸c˜oes e guardar a m´edia dos valores de RSS adquiridos podendo assim atenuar estes efeitos [32]. Uma outra abordagem, e que est´a presente neste trabalho, ´e a utiliza¸c˜ao de mapas com informa¸c˜ao de dire¸c˜ao, guardando v´arios mapas para diferentes orienta¸c˜oes em vez de guardar uma m´edia destes. Na fase online deve ter-se em conta a orienta¸c˜ao do terminal m´ovel para a escolha do mapa a utilizar no processo de obten¸c˜ao de localiza¸c˜ao.
• Aleatoriedade dos Sinais Electromagn´eticos: As principais propriedades na obten¸c˜ao da localiza¸c˜ao atrav´es de mapas de Fingerprint s˜ao o intervalo de valores RSS e o desvio padr˜ao das medidas obtidas em cada ponto espacial. Devido a flutua¸c˜oes na potˆencia do sinal inerentes em qualquer rede sem fios o desvio padr˜ao das amostras em cada ponto espacial pode ser significativo. Este desvio padr˜ao ´e mais acentuado em condi¸c˜oes de linha de vista e pr´oximo das referˆencias [67]. Para resolver este problema, na literatura cada vez mais os LEA s˜ao orientados a algoritmos probabil´ısticos em deterimento de algoritmos determin´ısticos para obter uma atenua¸c˜ao destes efeitos prejudiciais [53, 68]. Tamb´em Feng et al. em [57] apresenta um modelo de clustering com o nome
de affinity propagation que segundo o autor ´e capaz de atenuar estes efeitos. • Desaparecimento de Referˆencias: E aceite pela grande maioria da´
literatura que quanto maior for o n´umero de referˆencias capazes de caracterizar um ponto do Fingerprint Map, maior ser´a a exatid˜ao e precis˜ao do m´etodo [32,57,68,72]. Um fen´omeno que tamb´em pode ocorrer durante a fase online ´e o desaparecimento de referˆencias. Isto pode ser causado por um qualquer problema nos recursos r´adio e que faz com que o FM possa ser inutiliz´avel caso o terminal m´ovel se encontre numa posi¸c˜ao que ´e fortemente dependente da referˆencia desaparecida.
• Escalabilidade: A escalabilidade ´e uma caracter´ıstica extremamente importante para qualquer sistema e os sistemas de Localiza¸c˜ao indoor usando Fingerprinting n˜ao s˜ao excep¸c˜ao. A escalabilidade ´e tipicamente definida como a facilidade que um sistema tem, ou n˜ao, de ser expandido. No caso dos sistemas de localiza¸c˜ao, esta expans˜ao est´a normalmente associada ao aumento da sua ´area de abrangˆencia ou ao poder de c´alculo de posi¸c˜ao espacial. Ent˜ao, um sistema de localiza¸c˜ao para que possa ter uma aplicabilidade global deve ser facilmente escal´avel.
No que toca ao aumento da ´area de abrangˆencia de uma forma eficaz, sem ter que existir um trabalho penoso na obten¸c˜ao de um cen´ario adicional para os mapas, existem duas poss´ıveis formas de proceder. A primeira passa mais uma vez por a utiliza¸c˜ao de modelos de propaga¸c˜ao para a obten¸c˜ao dos Fingerprint Maps com a utiliza¸c˜ao de one-slope models [73] ou modelos multiwall [13, 47]. Feng et al. [57] apresenta algoritmos de compressive sensing para reconstruir o mapa a partir de pequenas valores de amostras reduzindo assim a complexidade e tempo da obten¸c˜ao dos mesmos.
Para diminuir o tempo e esfor¸co computacional necess´ario na obten¸c˜ao da localiza¸c˜ao, de forma a aumentar tamb´em a escalabilidade do sistema, podem ser adotadas metodologias usando t´ecnicas de clustering, dividindo os mapas em sub-mapas, aliviando assim a carga do sistema quando existem FM com muitos pontos [54].