Análise do impacto da quantidade de pontos de Wi-Fi na localização de robôs sequestrados em ambientes internos utilizando técnicas de redes neurais artificiais recorrentes

• Ano de defesa: 2022
• Autor(a) principal: Pegorelli Neto, A.
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: redes neurais recorrentes; localização por Wi-Fi; engenharia elétrica; k-ésimo vizinho próximo
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/4494; https://doi.org/10.31414/EE.2022.D.131426

A localização de robôs em ambientes fechados, onde o Global Positioning System (GPS) não pode atuar, é um constante desafio dos sistemas que envolvem robôs autônomos. Soluções baseadas em análise de radiofrequência apresentam alta complexidade devido à natureza dos sinais, passíveis de diversas interferências em ambientes quanto maior a quantidade de equipamentos eletrônicos, além da movimentação de pessoas e objetos, aumentando a dificuldade de processamento das informações tratadas. As limitações de processamento e uso de energia em dispositivos móveis também limitam a implementação de hardware embarcado capaz de realizar cálculos complexos exigidos em diversas soluções para o processamento e análise das informações em tempo hábil para apresentar eficácia na atuação. Com a portabilidade desses sistemas robotizados encontramos um novo desafio, o sequestro de robôs, quando o usuário movimenta o robô manualmente, sem nenhuma notificação no sistema e dificultando o processo de localização. Neste trabalho é proposto um estudo das mais recentes técnicas de localização em ambientes fechados, utilizando redes neurais recorrentes, como a Gated Recurrent Unit (GRU) e a Long-Short Term Memory (LSTM) para o tratamento de dados de potência de sinal Wi-Fi, ou Received Signal Strength (RSS), assim como a aplicação da técnica k-Nearest Neighbors (KNN) para casos onde ocorre o sequestro de robôs. O estudo foi feito a partir de um simulador construído dentro do ambiente virtual Webots® a partir do fingerprinting de um ambiente real com 6 pontos de acessoWi-Fi. Funções de distribuição acumulada foram utilizadas para avaliar cada um dos 3 sistemas para diversas combinações de pontos de acesso, níveis de ruído e níveis de atenuação simulados. Os resultados mostram que os sistemas de redes neurais recorrentes podem alcançar acurácia entre 0.44m±0.39m para LSTM, e 0.50m±0.38m para GRU, enquanto para a proposta baseada em KNN, temos 0.68m±0.73m, demonstrando a capacidade dos sistemas avaliados de se recuperarem após um evento de sequestro de robôs, mantendo resultados semelhantes aos observados sem a ocorrência de tais eventos