IoT et géolocalisation : la suite de l’expérience menée par Wi6Labs
WI6LABS développe depuis plusieurs mois une nouvelle solution de géolocalisation. Nous vous racontons tout ! N’hésitez pas à relire l’article racontant la première phase de l’expérimentation !
Notre hardware développé : tag (à gauche) et ancre (à droite)
Il y a 2 ans, WI6LABS expérimentait la technologie de localisation proposée par le chipset SX1280 de Semtech.
WI6LABS a poursuivi les travaux et développé un système complet de localisation. Nous allons vous dévoiler la suite de l’histoire !
Les bénéfices pour nos clients
Grâce à notre solution de localisation, il est aujourd’hui possible pour un industriel de connaître la position de ses assets au sein de son environnement (entrepôt, usine, bâtiment tertiaire, parking, …) grâce à des ancres et 1 tag. L’infrastructure permet de gérer plusieurs bâtiments à travers le monde. Un outil perdu, une voiture introuvable… Tout est visible sur l’interface web applicative.
La solution est déployée dans des secteurs tels que l’aéronautique, l’agriculture et bien sûr l’industrie.
Grâce à cette technologie de géolocalisation, nous pouvons exploiter les données de localisation de l’asset pour des applications de tracking, de geofencing, de mesure de temps, de stockage etc…
Mais le tag peut être utile à des fins autres que la géolocalisation : l’utilisation du 2.4GHz nous permet d’envisager des débits élevés pour transférer d’importants volumes de données et être joignable par le réseau à tout moment. C’est un avantage pour des réseaux de moyenne distance (500m à 1km) par rapport à des technologies plus longues portées. L’architecture 6LoWPAN du réseau nous permet de couvrir un grand nombre d’applications.
Quelques éléments de comparaisons
En comparaison des autres technologies en 2.4G, le sx1280 offre des capacités impressionnantes. Il permet d’avoir un débit au moins équivalent à ses concurrents, tout en assurant une bien meilleure portée.
De plus, on note que le sx1280 offre un très bon compromis entre portée et précision. Il est aussi taillé pour l’IoT au vu de sa faible consommation et de son faible coût de déploiement.
Et côté utilisateur, ça donne quoi ?
La gestion de cette plateforme est assurée par WI6LABS et son partenaire Alkante : Maplink est une solution d’exploitation d’informations issues de capteurs qui collecte, analyse et partage les données géolocalisées.
Sur l’interface utilisateur, nous plaçons les ancres et référençons la flotte de capteurs. Nous renseignons les plans des bâtiments industriels, le nom des capteurs, leur profil de communication (nombre de ranging par jour) etc…
Exemple de représentation des données géolocalisées
Tout cela s’applique alors sur l’interface web applicative destinée à l’utilisateur final.
Les ancres et les tags : nous vous expliquons tout !
Les capteurs à géolocaliser sont des tags. Ils sont disposés dans des zones couvertes par des ancres et un border router.
Le tag, dont on ignore la position, mesure les distances entre lui et les différentes ancres et transmet ces informations au border router. Ce dernier pousse ces données au serveur de géolocalisation. Cette entité est en charge d’appliquer les algorithmes de « trilatération » afin de déterminer le positionnement du tag. Les données traitées sont ensuite fournies au serveur applicatif.
Le bonus apporté par le serveur applicatif
En plus d’effectuer la trilatération, le serveur applicatif intègre plusieurs modèles de Machine Learning (ML) en option. L’ajout de l’apprentissage permet d’améliorer considérablement la précision des mesures.
Dans un premier temps, le modèle doit apprendre. Afin de collecter de nouvelles données en quantité, il est donc nécessaire d’installer des tags d’entraînement : un tag d’entraînement a le même fonctionnement qu’un tag, mais sa position est connue. Un tag et un tag d’entraînement effectuent la même position de ranging. Découvrez ci-dessous l’intégration du ML dans le projet :
Pour couvrir une zone de 10 000m² d’un bâtiment industriel, il faut à minima 5 ancres afin d’éviter toute perte de mesure. Si le bâtiment est complexe, il sera préférable de densifier le réseau. Cela dépend essentiellement de la structure du bâtiment.
La précision peut atteindre 2 mètres : plus le nombre de points enregistrés pour le machine learning sera conséquent, plus la mesure sera précise. Elle dépend fortement de l’environnement dans lequel on évolue.
Il est aussi possible de garder en position des tags de référence qui permettront à l’algorithme de ML de s’ajuster en fonction des modifications de l’environnement.
Il y a quelques mois, les tests effectués dans les locaux de WI6LABS nous donnaient une précision d’environ 2m par rapport au point réel. En 2020, de nouveaux tests ont été pratiqués et donnent dorénavant une précision de 1m. Ces tests ont pu être réalisés grâce au modèle de ML qui permet de trouver des facteurs de correction beaucoup plus précis qu’auparavant. Pour obtenir un modèle de ML, il est nécessaire d’avoir une base de données conséquente, récupérée grâce aux tags d’entraînement. L’utilisation de l’Intelligence Artificielle (IA) permet de fournir toutes ces données d’entrée.
Voici les différents résultats observés : nous observons bien une amélioration des tableaux de correction grâce au modèle de Machine Learning :
Dans des bâtiments plus complexes, nous sommes sujets à des perturbations telles que des réflexions et nous devons prendre en compte des cas de multi trajets. Nous avons donc travaillé sur la mise en place d’algorithmes permettant de compenser ces difficultés liées au terrain, tout en garantissant de limiter au maximum le nombre d’ancres nécessaires pour assurer la géolocalisation. De manière automatique, l’algorithme s’adapte à son environnement.
Aujourd’hui, en environnement très contraint de type industriel, notre précision de mesure est en moyenne de 5m.
La construction d’un modèle de Machine Learning est une solution aux cas de multi trajets. Son utilisation permet d’améliorer la précision du système. Grâce à celui-ci, nous gagnons en stabilité dans les données et la géolocalisation des tags est améliorée.
A l’inverse de nos concurrents ayant besoin d’énormément d’ancres, notre promesse est d’en installer le minimum, soit 5, afin que le coût de l’infrastructure soit le plus faible possible. Notre volonté première étant de limiter la complexité de l’infrastructure.
L’expertise de notre équipe de développpement
L’équipe a beaucoup travaillé sur le développement et la mise au point de la solution (tag, ancre, border router, solver de localisation, application web).
L’intégration logicielle, avec une stack 6LoWPAN par exemple, en font une solution simple à mettre en œuvre et à intégrer à un système déjà existant.
Les développements sur les solvers de localisation nous permettent d’encore augmenter la précision en s’adaptant au mieux aux environnements de travail.
Aussi, de très importants efforts ont été fait quant à la conception et l’intégration des antennes. C’est un élément critique du design qui garantit la précision du système
