Caracterización de algoritmos para la predicción de la localización en sistemas empotrados

Abstract

Caracterizar el desempeño de diversos algoritmos para la predicción de la ubicación en sistemas empotrados de bajo costo. La presente investigación tiene como objetivo caracterizar el desempeño de diversos algoritmos para la predicción de la ubicación en sistemas empotrados de bajo costo utilizados para mejorar la precisión de las lecturas de sensores de posicionamiento global. Estos algoritmos son necesarios para minimizar los errores generados por los cambios en la calidad de la señal de los satélites. El análisis de los algoritmos se enfocará en determinar los siguientes factores: Eficacia del algoritmo para reducir el error en la lectura de los sensores Ajuste del algoritmo para un sistema empotrado de bajo costo Para medir la eficacia de los algoritmos se utiliza la diferencia absoluta de la posición leída del GPS, contra la calculada para cada instante del recorrido. En cuanto al análisis de que tan apto es cada algoritmo para su uso en un sistema empotrado de bajo costo se analizan la utilización del CPU, tiempo de respuesta y uso de memoria. Se optimizan los algoritmos mediante la división de los datos por dimensión para reducir el desperdicio de recursos y aislar los ejes para ser implementados de acuerdo con las necesidades de futuros proyectos empotrados. Además, se reduce la carga computacional mediante el uso de modelos matemáticos aproximados para el desplazamiento tal como el movimiento rectilíneo uniformemente acelerado. Así mismo, se define además una interfaz común para que los algoritmos puedan ser comparados de manera correcta y nuevos algoritmos puedan ser estudiados más adelante. Se obtiene una aplicación empotrada que utilizando el filtro de extendido de Kalman logra tener el error por debajo de 1345.93 metros de error para cinco segundos de falla. Este cálculo se realiza en menos de 118s en un Raspberry Pi 2 con una imagen de tamaño mínimo. La misma plataforma logra entrenar 100 iteraciones de tres perceptrones multi capa con 34 neuronas cada uno en un tiempo de 5.45ms. Posterior al entrenamiento se somete el algoritmo a la predicción de la posición, consiguiendo una respuesta en un tiempo no mayor a 250s. La error de la posición calculada promedio para una falla de 5s fue de 73.32 metros.

The main objective of this thesis is to characterize m ultiple algorithms for location prediction to improve the precision of global positioning sensors readings. This algorithms are needed to compensate bad signal quality of the necessary satellites. The analysis will be focus on: Effectiveness of the algorithm on reducing the reading error on the positioning sensors Fit-ability of the algorithm for a embedded system In order to measure the e ectiveness of the implemented methods the absolute di erence between the real GPS and the calculated value for each instant of the track. In order the get the t-ability for embedded system of each algorithm CPU usage, response time, and memory usage is determine for them. Every method is optimize by dividing the data per dimension, in order to decrease the resources foot-print of the program to the minimum, and so they could scale correctly for di erent requirements. Also the CPU load is reduced by implementing approximated mathematical models like the uniformly accelerated motion when possible. Lastly an interface is de ned to isolate the algorithm from the main program, this way there is a clean comparison between algorithms and new ones could be study later. Using Extended Kalman lter the embedded application created was able to keep the error below 1345.93 meters for ve seconds GPS failure. Each of this predictions has taken less than 118 s on a Raspberry Pi 2 with a custom OS. The same platform is able to train, over 100 times on the same data, three Multi-Layer perceptron with 34 neurons each under 5.45ms. Once trained the MLP is able to predict within 250 s a position with an average error of 73.32 meters, all this in a ve seconds failure of the GPS