Accurate WiFi RSSI Tracking Voor ISS Sensoren

Sensoren aan boord van het Internationale Ruimtestation (ISS), inclusief persoonlijke CO₂ monitors, vereisen locatietracking om hun getijdstempelde data te correleren met positionele informatie. Labelen van data op basis van visuele inspectie is duur en onpraktisch voor het tracken van veel sensoren. Een goedkope en efficiënte oplossing is om de ene additionele meetapparaat die deze sensoren hebben te benutten; namelijk, hun WiFi of Bluetooth signaalsterkte metingen.

Met behulp van deze signaalsterkte metingen, beoogt deze software benaderende locatie-informatie in de tijd te leveren voor individuele sensoreenheden. Het doel van het Module-level ISS Sensor Tracker (MIST) project is om een standaard dataformaat en protocol in te stellen voor het registreren van WiFi signaalsterkte informatie zodat het later gebruikt kan worden om sensoren aan boord van de ISS te lokaliseren. Google en Apple hebben proprietaire oplossingen voor locatieservices die GPS data combineren met WiFi sterkte metingen om een accurate schatting van een mobiele telefoonpositie te geven; echter, geen dergelijke methode bestaat voor het tracken van WiFi-ingeschakelde apparaten op de ISS.

Support-vector machines (SVM) werden gekozen als het algoritme om te achtervolgen. De hoofdmotivatie is de hoge nauwkeurigheid relatief tot het aantal benodigde samples voor training, aangezien training data de hoofdkost is aan boord van de ISS. Een Python applicatie en bibliotheek voor zowel het loggen van WiFi informatie als het voorspellen van posities werd ontwikkeld. Een pipeline van technieken werd geconstrueerd die hoog nauwkeurige prestaties geeft voor de verzamelde datasets. Met een simpele moving-window filter, kan de voorspeller correct identificeren in welke module een sensor zich bevindt met >95% nauwkeurigheid. Verdere verbeteringen zullen in staat zijn dit veel dichter bij 100% te brengen.

Het softwareprogramma bestaat uit twee operatieve modi: training en runtime. Voor training, wordt WiFi RSSI data verzameld met standaard Linux command line utilities en opgeslagen in csv formaat. De RSSI metingen op elke tijdstap gecorreleerd aan een genummerde locatie; in dit geval, de ISS module. Deze data wordt door een set preprocessing functies gelopen die slechte/schaarse metingen weghaalt en de data in een formaat zet dat klaar is voor het SVM algoritme. De SVM wordt dan getraind tegen de training dataset in overeenstemming met een hand-gemaakte set parameters.

In de runtime operatieve modus, wordt data verzameld net als in de training modus maar serieel. Deze data wordt door dezelfde preprocessor als de training data gelopen, zodat zowel training als runtime data geschaald zijn naar dezelfde gemiddelde en variantie. De SVM neemt dan deze preprocessed data en maakt een beste gok op basis van zijn afgestelde parameters als to welke module/locatie de sample verzameld was. Door een moving window gemiddelde over vijf tot tien samples te gebruiken, kan naar boven toe 95% tracking nauwkeurigheid bereikt worden.

Geen van de individuele aspecten van het algoritme zijn bekend om volledig nieuw te zijn, hoewel de specifieke pipeline van subroutines dat wel kan zijn. Andere vergelijkbare commerciële projecten bestaan, maar geen die duidelijk de flexibiliteit bieden om te werken zonder GPS informatie.

De ontwikkelaars kijken ernaar uit om het systeem te testen met training data verzameld op de ISS, wat hen in staat stelt de systeemparameters af te stemmen en de waarde van SVM WiFi tracking in een werkelijk hoge-reflectie omgeving te bepalen.

NASA streeft ernaar deze software vrij te licentiëren en beschikbaar te maken voor algemeen gebruik voor open source projecten. Neem contact op met NASA's Licensing Concierge via dit e-mailadres (beschermd tegen spambots, JavaScript vereist), of bel ons op 202-358-7432 om licentiegesprekken te initiëren.