Fraunhofer-Institut für Integrierte Schaltungen IIS
Fraunhofer-Institut für Integrierte Schaltungen IIS

ML4POS

Auf einen Blick

Die Lokalisierung von Objekten ist eine grundlegende Notwendigkeit für viele Anwendungen in der Logistik und Industrie 4.0. Das Fraunhofer IIS kann auf dem Gebiet der Lokalisierung eine große Kompetenz und langjährige Erfahrung vorweisen. Häufig setzt man funkbasierte Lokalisierungslösungen ein, die in der Regel Laufzeiten von Funksignalen mobiler Objekte messen. Die Genauigkeit des Lokalisierungssystems hängt maßgeblich von der Optimierung der Fusions- und Systemparameter unter den unterschiedlichen und teilweise sich wechselnden Umgebungen ab.

Im Fraunhofer IIS wird deshalb an Verfahren zur robusteren Bestimmung der Position gearbeitet. Mit Hilfe maschinellen Lernens sollen automatisiert Positionen berechnet werden, indem Referenzmessungen als Erfahrungsdaten verwendet werden. Als Rohdaten werden bei ML4POS die Messungen eines Lokalisierungssystems verwendet, auf dessen Basis tiefe neuronale Netze trainiert werden, die es ermöglichen, Teile oder ganze Verfahren der Positionsberechnungen zu ersetzen.

Die Technologie

Ein großes Problem bei der Lokalisierung stellt oft die Mehrwege-Ausbreitung von Funksignalen dar, die das Ergebnis verfälschen können. Ein Convolutional Neural Network (CNN) lernt die Charakteristika der Umgebung und die dadurch entstehende Mehrwege in der Funkausbreitung. Für dieses Training sind Ground-Truth-Positionen notwendig, also Positionen die zuverlässig beispielsweise durch ein klassisches Lokalisierungssystem (z.B. ein temporär installiertes und mobile Lasermesssystem) ermittelt wurden. Sind diese Daten einmal eingepflegt und das System somit „kalibriert“, sind die Ground-Truth-Positionen für die Positionsbestimmung selbst nicht mehr nötig. Mittels hybrider Verfahren, also einer Kombination aus Machine Learning und klassischen Lokalisierungsverfahren, muss keine explizite Anpassung an die Zielumgebung mehr erfolgen. So kann auch in Umgebungen mit starker Mehrwege-Belastung eine präzise Positionsbestimmung erfolgen. Aufwendige händische Optimierung gehört der Vergangenheit an.

Deep Learning kann in der Praxis dazu verwendet werden, eine Positionsberechnung durchzuführen. Die beiden Abbildungen zeigen einen Messaufbau in Form eines Mehrwege-Tunnels in unserer L.I.N.K.-Testhalle zur Abbildung eines Logistikumfelds. Der lokalisierte Tag wird rechteckförmig durch die Halle gefahren und durchquert mehrmals den Tunnel. Die Wände wurden bewusst so positioniert, dass kurz vor dem Ende des Tunnels nur noch wenige Antennen direkten Sichtkontakt zum Funksender haben.

Funklokalisierungssystem mittels eines Extended-Kalman-Filters: Unter massiven Mehrwegebedingungen (bis hin zum Verlust des Sichtkontakts zwischen Sender und Empfänger) unterliegt ein klassisches System zur Positionsrechnung großen Fehlen bzw. Sprüngen in der Position bzw. einem Ausfall der Positionsberechnung. Der Ankunftszeitpunkt des Sendesignals auf dem direkten Pfad kann nicht mehr ermittelt werden.
Die Abbildung zeigt Ergebnisse einer Positionsbestimmung mittels Deep Learning. Deutlich wird, dass der Machine-Learning-basierte Ansatz selbst bei massiven Abschattungen und Mehrwegen die wahre Position bestimmen kann. Mehrwegeinformationen in den Antennensignalen können ebenfalls ausgenutzt werden, um eine Position zu ermitteln. Rekurrente Netze können die Bewegung des Objekts direkt erlernen, was noch robustere Positionsbestimmungen zur Folge hat.

Anwendungen und Angebot

Die Technologie ist bereits so ausgereift, dass sie in verschiedenen Bereichen zum Einsatz kommen kann. Ein Beispiel dafür ist die Virtual Reality, bei der zuverlässige Lokalisierung vor allem für bewegliche Systeme essentiell ist. Auch die Anwendung von Netzen mit Gedächtnis (Long-Short-Term-Memory, LSTM) wurde bereits in Projekten genutzt. Klassische Verfahren der Lokalisierung, wie zum Beispiel die Kalman-Filterung zur Fehlerreduzierung, konnten so gestützt, beziehungsweise ersetzt werden.

Das Fraunhofer IIS bietet für die Integration von maschinellen Lernens in die Lokalisierung eine sehr gute Infrastruktur: Experten und Forscher beider Gebiete arbeiten hier zusammen. Gemeinsam mit Ihnen kann ein Kompetenzteam eine Lösung erarbeiten, die genau Ihren Anforderungen entspricht.

© pressmaster - Fotolia.com