WiFi RSSI Sensor Tracker untuk ISS
Sensor di Stasiun Luar Angkasa Internasional (ISS), termasuk CO pribadi2 monitor, memerlukan pelacakan lokasi untuk mengkorelasikan data waktu mereka dengan informasi posisi. Pelabelan data berdasarkan inspeksi visual mahal dan tidak praktis untuk melacak banyak sensor. Solusi yang murah dan efisien adalah dengan memanfaatkan satu perangkat pengukuran tambahan yang dimiliki sensor ini; yaitu, pembacaan kekuatan sinyal WiFi atau Bluetooth.
Menggunakan pembacaan kekuatan sinyal ini, perangkat lunak ini bertujuan untuk memberikan perkiraan informasi lokasi tepat waktu untuk unit sensor individual. Tujuan dari proyek Modul-level ISS Sensor Tracker (MIST) adalah untuk menetapkan format data standar dan protokol untuk merekam informasi kekuatan sinyal WiFi sehingga nantinya dapat digunakan untuk menemukan sensor di ISS. Google dan Apple memiliki solusi eksklusif untuk layanan lokasi yang menggabungkan data GPS dengan pembacaan kekuatan WiFi untuk memberikan perkiraan posisi ponsel yang akurat; namun, tidak ada metode seperti itu untuk melacak perangkat berkemampuan WiFi di ISS.
Support-vector machine (SVM) dipilih sebagai algoritma untuk dikejar. Motivasi utamanya adalah akurasi yang tinggi dibandingkan dengan jumlah sampel yang dibutuhkan untuk pelatihan, karena data pelatihan adalah biaya utama di ISS. Aplikasi dan pustaka Python untuk mencatat informasi WiFi dan memprediksi posisi telah dikembangkan. Sebuah pipa teknik dibangun yang memberikan kinerja yang sangat akurat untuk kumpulan data yang dikumpulkan. Dengan filter jendela bergerak sederhana, prediktor dapat dengan benar mengidentifikasi modul mana yang digunakan sensor dengan akurasi>95%. Perbaikan lebih lanjut akan dapat membawa ini lebih dekat ke 100%.
Program perangkat lunak terdiri dari dua mode operasi:pelatihan dan runtime. Untuk pelatihan, data RSSI WiFi dikumpulkan menggunakan utilitas baris perintah Linux standar dan disimpan dalam format csv. Pembacaan RSSI pada setiap langkah waktu berkorelasi dengan lokasi bernomor; dalam hal ini, modul ISS. Data ini dijalankan melalui serangkaian fungsi prapemrosesan yang menghapus pembacaan buruk/jarang dan mengatur data ke dalam format yang siap untuk algoritma SVM. SVM kemudian dilatih terhadap kumpulan data pelatihan sesuai dengan serangkaian parameter yang disetel secara manual.
Dalam mode operasi runtime, data dikumpulkan seperti dalam mode pelatihan tetapi secara serial. Data ini dijalankan melalui praprosesor yang sama dengan data pelatihan, sehingga data pelatihan dan runtime diskalakan ke mean dan varians yang sama. SVM kemudian mengambil data yang telah diproses sebelumnya dan membuat tebakan terbaik berdasarkan parameter yang disetelnya untuk modul/lokasi mana sampel dikumpulkan. Dengan menggunakan rata-rata jendela bergerak lebih dari lima hingga sepuluh sampel, akurasi pelacakan lebih dari 95% dapat dicapai .
Tak satu pun dari aspek individu dari algoritme yang diketahui sepenuhnya baru, meskipun jalur khusus dari subrutin mungkin. Proyek komersial serupa lainnya ada tetapi tidak ada yang secara jelas memberikan fleksibilitas untuk bekerja tanpa informasi GPS.
Pengembang ingin menguji sistem dengan data pelatihan yang dikumpulkan di ISS, yang memungkinkan mereka untuk menyesuaikan parameter sistem dan memastikan nilai pelacakan WiFi SVM di lingkungan dengan refleksi yang benar-benar tinggi.
NASA berusaha untuk melisensikan perangkat lunak ini secara bebas dan membuatnya tersedia untuk penggunaan umum untuk proyek sumber terbuka. Silakan hubungi NASA's Licensing Concierge di Alamat email ini dilindungi dari robot spam. Anda perlu mengaktifkan JavaScript untuk melihatnya., atau hubungi kami di 202-358-7432 untuk memulai diskusi lisensi.
