WiFi RSSI-sensortracker voor het ISS

Sensoren aan boord van het International Space Station (ISS), inclusief persoonlijke CO₂ monitoren, vereisen locatietracking om hun tijdgestempelde gegevens te correleren met positionele informatie. Het labelen van gegevens op basis van visuele inspectie is duur en onpraktisch voor het volgen van veel sensoren. Een goedkope en efficiënte oplossing is om het enige extra meetapparaat te gebruiken dat deze sensoren hebben; namelijk hun WiFi- of Bluetooth-signaalsterktemetingen.

Met behulp van deze signaalsterktemetingen heeft deze software tot doel om op tijd geschatte locatie-informatie te verstrekken voor individuele sensoreenheden. Het doel van het ISS Sensor Tracker-project (MIST) op moduleniveau is om een ​​standaardgegevensformaat en -protocol in te stellen voor het opnemen van informatie over de wifi-signaalsterkte, zodat het later kan worden gebruikt om sensoren aan boord van het ISS te lokaliseren. Google en Apple hebben eigen oplossingen voor locatieservices die GPS-gegevens combineren met wifi-sterktemetingen om een ​​nauwkeurige schatting van de positie van een mobiele telefoon te geven; er bestaat echter geen dergelijke methode voor het volgen van WiFi-apparaten op het ISS.

Support-vector machines (SVM) werden gekozen als het te volgen algoritme. De belangrijkste motivatie is de hoge nauwkeurigheid ten opzichte van het aantal monsters dat nodig is voor training, aangezien trainingsgegevens de belangrijkste kostenpost zijn aan boord van het ISS. Er is een Python-toepassing en -bibliotheek ontwikkeld voor zowel het loggen van WiFi-informatie als het voorspellen van posities. Er is een pijplijn van technieken geconstrueerd die zeer nauwkeurige prestaties levert voor de verzamelde datasets. Met een eenvoudig bewegend vensterfilter kan de voorspeller correct identificeren in welke module een sensor zich bevindt met een nauwkeurigheid van>95%. Verdere verbeteringen zullen dit veel dichter bij 100% kunnen brengen.

Het softwareprogramma bestaat uit twee bedrijfsmodi:training en runtime. Voor training worden WiFi RSSI-gegevens verzameld met behulp van standaard Linux-hulpprogramma's voor de opdrachtregel en opgeslagen in een csv-indeling. De RSSI-metingen bij elke tijdstap zijn gecorreleerd aan een genummerde locatie; in dit geval de ISS-module. Deze gegevens worden door een reeks voorbewerkingsfuncties geleid die slechte/dunne metingen weghalen en de gegevens rangschikken in een formaat dat klaar is voor het SVM-algoritme. De SVM wordt vervolgens getraind op basis van de trainingsgegevensset in overeenstemming met een handmatig afgestemde set parameters.

In de runtime-bedrijfsmodus worden gegevens op dezelfde manier verzameld als in de trainingsmodus, maar dan in serie. Deze gegevens worden door dezelfde preprocessor geleid als de trainingsgegevens, zodat zowel de trainings- als runtimegegevens worden geschaald naar hetzelfde gemiddelde en dezelfde variantie. De SVM neemt vervolgens deze voorverwerkte gegevens en maakt op basis van de afgestemde parameters een zo goed mogelijke schatting van de module/locatie waarin het monster is verzameld. Door een bewegend venstergemiddelde van vijf tot tien monsters te gebruiken, kan een volgnauwkeurigheid van meer dan 95% worden bereikt .

Van geen van de individuele aspecten van het algoritme is bekend dat ze volledig nieuw zijn, hoewel de specifieke pijplijn van subroutines dat wel kan zijn. Er bestaan ​​andere soortgelijke commerciële projecten, maar geen enkele die duidelijk de flexibiliteit biedt om zonder GPS-informatie te werken.

De ontwikkelaars willen het systeem testen met trainingsgegevens die zijn verzameld op het ISS, zodat ze de systeemparameters kunnen afstemmen en de waarde van SVM WiFi-tracking kunnen bepalen in een omgeving met echt hoge reflectie.

NASA streeft ernaar deze software vrijelijk in licentie te geven en beschikbaar te stellen voor algemeen gebruik voor open source-projecten. Neem contact op met NASA's Licensing Concierge via Dit e-mailadres wordt beveiligd tegen spambots. U heeft Javascript nodig om het te kunnen zien., of bel ons op 202-358-7432 om licentiebesprekingen te starten.