室内定位技术是工业部门数字化转型的驱动力之一。准确而廉价地追踪物体、资产和人的能力可以为从物流到医疗保健等各个领域的公司节省资源、时间和金钱。

Xavier Vilajosana是西班牙加泰罗尼亚奥贝塔大学计算机科学、多媒体和电信学院的教授，也是加泰罗尼亚大学互联网跨学科研究所（IN3）无线网络小组（WINE）的负责人，他正在协调该大学参与一个新的欧洲项目，该项目正在开发改善室内环境定位的创新解决方案。

DUNE使用深度学习技术与分布式计算系统相结合，利用了云计算和边缘计算的优势。换句话说，这些计算架构既可以在远程服务器上运行，也可以在产生数据的地方附近运行。其目的是创建一个多功能的系统，使用各种可用的技术，并能适应不同的潜在使用情况。

Xavier Vilajosana解释说："今天有许多技术方法试图利用无线电信号的特性作为获得物体之间相对位置的工具。这种技术的多样性和它们可以使用的广泛情况，以及高度多样化的预算和应用环境，意味着我们需要开发一个强大的框架来实时管理来自不同技术的位置数据，同时能够适应多种工业需求，并在经济上具有吸引力。”

使用深度学习技术的辅助定位

室内资产定位利用接收设备的视角来推断物体发出的信号来自哪个方向，然后将这些信息转化为对其位置的估计。这项技术的主要挑战之一是信号发射器和接收器之间的障碍物（特别是在工业环境中）以及多径传播所产生的巨大误差。多径传播是导致无线电信号在不同时间通过两条或多条路径到达接收天线的现象。

为此，信号处理是必不可少的--否则就会出现模糊不清的情况，导致物体位置的错误。面对这一挑战，DUNE在定位过程的各个阶段纳入了由深度学习技术辅助的定位机制，以实现最佳性能。深度学习涉及一种机器学习算法，它可以被训练为从输入中学习，然后这些知识可以被用来根据新的信息得出结论。"数据使用不同的方法进行处理，如深度学习方法，它被训练来选择最能定位被追踪物体的位置估计。"Vilajosana解释说。

分布式计算策略

该项目还将利用不同的计算架构，从云到边缘和远端计算。换句话说，为了减少云计算过程，计算将分布在更接近数据源的各个节点上，从而减少服务器的响应时间和带宽，同时提高数据的安全性，而不是采用集中式战略。

该系统是完全分布式的，由放置在要定位的物体上的各种传感器和定位技术组成。这些设备产生原始数据的痕迹，必须进行处理以获得其估计的个别位置。最初的数据处理是在 "远端 "进行的，也就是在发射信号的天线附近。

数据实时更新

定位器的天线阵列收到了来自被追踪物体或人员的传感器的无线电信号。这些数据必须进行转换，以估计确定信号方向的角度并提供实时更新。 Vilajosana强调说："在一个完美的世界里，这种转换是一个几何过程，取决于天线之间的空间（距离）和无线电频率（波长）。然而，这些环境会受到噪音和不规则因素的影响。"

他继续说："在解决这些问题时。深度学习方法可以成为一个非常有价值的工具，以获得对物体位置的准确估计。"

使用其他 "边缘 "设备进行实时数据处理和汇总，以提高系统的性能。另一个过滤步骤在此时加入，以改善信号转换，并能够纳入不同的技术，在其他方法中使用深度学习。

云中的基础设施

估算的位置从这些边缘设备实时传递到云端基础设施，该基础设施与工厂或物流仓库的信息系统相连，工作正在进行中。在云中，先进的人工智能方法可用于纠正、改进、分类、检测异常情况和优化操作。

这个云基础设施处理对象的显示和跟踪，并将这些信息与其他子系统（如工厂或仓库的库存）连接并相互关联。

大规模的测试台

这一技术方案将在整个项目中得到评估，该项目将在不同的场景中持续12个月，其结果将与目前其他技术解决方案进行比较。首先，测试将在研究小组自己的实验室进行，随后，大规模的测试将在一个专门为这种类型的实验设计的建筑物中进行，该建筑物的面积为1000平方米，可以对不同的技术进行评估。