Präzises WiFi-RSSI-Tracking für ISS-Sensoren

Sensoren an Bord der Internationalen Raumstation (ISS), einschließlich persönlicher CO₂-Monitore, benötigen Standortverfolgung, um ihre zeitgestempelten Daten mit Positionsinformationen zu korrelieren. Die Kennzeichnung von Daten basierend auf visueller Inspektion ist teuer und unpraktisch für die Verfolgung vieler Sensoren. Eine kostengünstige und effiziente Lösung ist die Nutzung des einen zusätzlichen Messgeräts, das diese Sensoren haben; nämlich ihre WiFi- oder Bluetooth-Signalstärke-Messwerte.

Mit diesen Signalstärke-Messwerten zielt diese Software darauf ab, ungefähre Standortinformationen in Echtzeit für einzelne Sensoreinheiten bereitzustellen. Der Zweck des Module-level ISS Sensor Tracker (MIST) Projekts ist es, ein Standarddatenformat und Protokoll für die Aufzeichnung von WiFi-Signalstärke-Informationen festzulegen, damit diese später zur Lokalisierung von Sensoren an Bord der ISS verwendet werden können. Google und Apple haben proprietäre Lösungen für Ortungsdienste, die GPS-Daten mit WiFi-Stärke-Messwerten kombinieren, um eine genaue Schätzung der Position eines Handys zu geben; jedoch existiert keine solche Methode für die Verfolgung von WiFi-fähigen Geräten auf der ISS.

Support Vector Machines (SVM) wurden als Algorithmus gewählt. Die Hauptmotivation ist die hohe Genauigkeit im Verhältnis zur Anzahl der für das Training benötigten Samples, da Trainingsdaten der Hauptkostenfaktor an Bord der ISS sind. Eine Python-Anwendung und Bibliothek für sowohl das Logging von WiFi-Informationen als auch die Positionsvorhersage wurde entwickelt. Eine Pipeline von Techniken wurde konstruiert, die für die gesammelten Datensätze hochpräzise Leistung liefert. Mit einem einfachen Moving-Window-Filter kann der Prädiktor korrekt identifizieren, in welchem Modul sich ein Sensor befindet, mit >95 % Genauigkeit. Weitere Verbesserungen werden dies viel näher an 100 % bringen können.

Das Softwareprogramm besteht aus zwei Betriebsmodi: Training und Runtime. Für das Training werden WiFi-RSSI-Daten mit Standard-Linux-Kommandozeilen-Utilities gesammelt und in CSV-Format gespeichert. Die RSSI-Messwerte an jedem Zeitschritt werden mit einer nummerierten Position korreliert; in diesem Fall das ISS-Modul. Diese Daten werden durch eine Reihe von Vorverarbeitungsfunktionen geleitet, die schlechte/sporadische Messwerte entfernen und die Daten in ein für den SVM-Algorithmus bereites Format bringen. Der SVM wird dann gegen den Trainingsdatensatz gemäß einem handgetunten Parametersatz trainiert.

Im Runtime-Betriebsmodus werden Daten ähnlich wie im Trainingsmodus gesammelt, aber seriell. Diese Daten werden durch denselben Preprozessor wie die Trainingsdaten geleitet, sodass sowohl Trainings- als auch Runtime-Daten auf denselben Mittelwert und Varianz skaliert sind. Der SVM nimmt diese vorverarbeiteten Daten und macht eine beste Schätzung basierend auf seinen getunten Parametern, in welchem Modul/Standort das Sample gesammelt wurde. Durch Verwendung eines gleitenden Fenster-Durchschnitts über fünf bis zehn Samples kann eine Tracking-Genauigkeit von über 95 % erreicht werden.

Keiner der einzelnen Aspekte des Algorithmus ist als vollständig neu bekannt, obwohl die spezifische Pipeline von Subroutinen es sein mag. Andere ähnliche kommerzielle Projekte existieren, aber keines, das klar die Flexibilität bietet, ohne GPS-Informationen zu arbeiten.

Die Entwickler suchen danach, das System mit auf der ISS gesammelten Trainingsdaten zu testen, was es ihnen ermöglicht, die Systemparameter abzustimmen und den Wert von SVM-WiFi-Tracking in einer wirklich hochreflektiven Umgebung zu ermitteln.

Die NASA strebt an, diese Software frei zu lizenzieren und für Open-Source-Projekte allgemein verfügbar zu machen. Bitte kontaktieren Sie die NASA Licensing Concierge unter dieser E-Mail-Adresse (JavaScript erforderlich) oder rufen Sie uns an unter 202-358-7432, um Lizenzgespräche zu initiieren.