Aplicación de algoritmos Deep Learning para la localización y seguimiento de un conjunto de personas en un entorno indoor haciendo uso de la tecnología RFID

Abstract

Esta Master tesis describe las actividades realizadas en el contexto de la detección y seguimiento de objetos/personas en ambientes interiores. Este tópico atrae un considerable esfuerzo de: 1) la comunidad científica, debido a las dificultades implícitas en la caracterización de escenarios y precisión y 2) de la industria debido al amplio rango de aplicaciones en campos diversos como el “retail”, la industria4.0, el cuidado integral (healthcare), etc. El conocimiento obtenido en el máster se aplica a este tópico con la ambición de desarrollar un conjunto de algoritmos para la detección de personas usando tecnologías inalámbricas no intrusivas, en concreto de transmisión por Radio Frecuencia (RFID de sus siglas en inglés). Esta tecnología fue escogida principalmente porque la detección RFID se puede realizar mediante elementos pasivos (sin fuentes de alimentación). Para conseguir este objetivo, se proponen tres componentes principales: (a) la recolección de medidas que permitan caracterizar el ambiente que se quiere monitorizar y la aplicación de novedosas técnicas de generación de medidas para “aumentar” nuestro dataset (b) el desarrollo de métodos de estimación clásica y (c) el desarrollo de métodos de detección basados en técnicas de Aprendizaje Profundo de máquina. La recolección de datos es un proceso complejo que está seriamente condicionado por el entorno de despliegue. Efectos asociados a la propagación de las señales tales como shadowing, fading y multipath; y condicionantes del escenario (obstáculos, estanterías, entre otros) tienen un impacto directo sobre la caracterización de área a monitorizar. Estos efectos se presentan y analizan en este trabajo, en los resultados de los experimentos realizados. Los algoritmos clásicos de estimación son descritos, implementados y probados. En concreto, una técnica llamada fingerprinting, que consiste en la creación de un “groundthruth” o escenario de confianza, para realizar la estimación de la posición, comparando los datos recogidos con estos escenarios previamente recogidos. La principal ventaja de estos algoritmos es la baja dependencia de datos de entrenamiento, sin embargo, su desventaja es la baja precisión. Finalmente, se proponen un conjunto de algoritmos basados en aprendizaje profundo de máquina, usando redes neuronales recurrentes (RNNs). La gran ventaja de este tipo de redes es que capturan mejor las correlaciones (espaciales y temporales) de las medidas recogidas y tienen capacidad de adaptarse a diversos escenarios. Sin embargo, su principal desventaja se encuentra en la gran dependencia de los datos. Múltiples entornos fueron diseñados para realizar los experimentos para intentar reflejar/emular potenciales aplicaciones de entornos reales. La discusión y conclusiones del trabajo propuesto son expuestas. Los resultados obtenidos validan los componentes del trabajo en términos de: (a) la aumentación de datos permite entrenar mejor ambos tipos de algoritmos tanto los de estimación clásica como los de aprendizaje profundo de máquina. (b) La precisión de este tipo de sistemas limita el alcance de las aplicaciones, aunque, los resultados obtenidos permiten extraer información sobre el comportamiento de las personas. Finalmente, el análisis detallado de la viabilidad económico-financiera del sistema propuesto es presentado, teniendo en cuenta el impacto de este tipo de proyectos desde perspectivas ambiental, ética y social.