API para servicios de localización en interiores basada en tecnología Wi-Fi, Bluetooth, RFID y...

Centro Nacional de Investigación y Desarrollo

Tecnológico

Departamento de Ciencias Computacionales

TESIS DE MAESTRÍA EN CIENCIAS

API para servicios de localización en interiores basada en

tecnología Wi-Fi, Bluetooth, RFID y QRCode

presentada por

Miguel Angel Yris Pastor

Lic. En Ciencias de la computación por la Universidad Juárez Autónoma de Tabasco

como requisito para la obtención del grado de:

Maestría en Ciencias en Ciencias de la Computación

Director de tesis:

Dr. Juan Gabriel González Serna

Jurado:

Dr. Máximo López Sánchez – Presidente

Dr. Guillermo Rodríguez Ortiz – Secretario

Dra. Azucena Montes Rendón – Vocal

Dr. Juan Gabriel González Serna – Vocal Suplente

Cuernavaca, Morelos, México. 28 de febrero de 2012

La investigación aquí plasmada fue desarrollada gracias al apoyo del Consejo Nacional de

Ciencia y Tecnología (CONACyT), el Centro Nacional de Investigación y Desarrollo Tecnológico

(CENIDET) y el grupo AUTOLOG de la Universidad de Castilla-La Mancha, España.

Dedicatoria

Si desarrollar y redactar todo este conjunto de ideas me permite tener cierta propiedad sobre

ellas me gustaría dedicarlas a todos aquellos que directa o indirectamente aportaron un

granito de arena o una playa completa para iniciar y finalizar esta aventura. Mencionarlos a

todos me haría ocupar 5 o 6 veces el volumen de esta tesis, pero estoy seguro de haberlo hecho

en su momento y que ellos se dieron por enterados, aún así, si por azares del destino o por el

bibliotecario local te encuentras leyendo este documento … Gracias.

Miguel Angel Yris Pastor, México DF. 4 de febrero de 2012

Agradecimientos

En una opinión muy personal, creo que son muy pocas las actividades o empresas de

las cuales un hombre o mujer se puede enorgullecer de haberlas realizado sin ayuda

de alguien más; Este no es el caso.

Gracias … a Mamá, Karen Mariel Nájera, Normita Bolio, Juan Carlos Yris, José Antonio

Yris. Luis David Yris Pastor, Claudia Vara, Marbella Pastor, Salvador Galván, Gabriel

González, Máximo López, Azucena Montes, Guillermo Rodriguez, Ricardo Estrada,

Hugo Estrada, Alicia Martínez, Mónica Pichardo, Alejandra Ramírez, Julia Arana, Andrés

García, Pablo García, Javier de las Morenas, Francisco Carreño, Rafel Otal, Arturo Bejar,

Blanca Vargas, Bea Escobar, Ainoa Castillo, Cesar Villatoro, al equipo Autolog Ciudad

Real, al equipo Autolog Cuenca, equipo de mecánica de la escuela de ingenieros.

…. A las incontables Dulcineas y Sanchos que contestaron de una forma u otra la

solicitud de “acorredme en las innumerables afrentas que a este avasallado intelecto

se le ofrecían”

A todos ellos … Gracias (a pesar de mi necedad, nada de esto se hubiese logrado)

API para servicios de localización en interiores basada en tecnología Wi-Fi, Bluetooth, RFID y QRCode

ABSTRACT

The next generation of mobile services is presumed to be highly adaptive to the user’s personal features and to his environmental, physical and technological condition and subsequent consequences. This ‘context-aware paradigm’, which originates from the vision of ‘ubiquitous computing’ and is supposed to drive the design of future commercial mobile services, still presents a lot of technological, social and business challenges. [Bernardos, 2008]

One these challenge is to obtain the position of a user within a specific area.Today

there are indoor location systems, which allow determining the position of an object

within an area.To achieve its purpose, these systems use pattern

recognition techniques such asthermal, visual or electromagnetic pattern recognition.

Systems using electromagnetic patterns are the basis of this thesis. in this research

report we propose, model, develop and implement methods for indoor location based

on signal patterns as Wi-Fi, Bluetooth or RFID.These methods are encoded within an

API written in Java.

The main chapters of this thesis show the modeling, development and implementation

of an API that contains the methods needed to develop indoor location services using

a client-server architecture using context evaluation of electromagneticpatterns.In the

development of client server architecture has been proposed to the client as mobile

device with Wi-Fi interfaces and Bluetooth ™, or an object / individual identified by a

passive RFID tag.The last three chapters of this document show the tests performed to

obtain the degree of assertiveness of the methods developed in the context of varying

signals scenarios.


RESUMEN

A las siguientes generaciones de servicios móviles se les presupone un alto grado de

adaptación a la identidad, objetivos, situación física y tecnológica de sus usuarios.

Este paradigma de diseño de servicios, que aprovecha el conocimiento del “contexto”

de las entidades inmersas en el entorno, y que se considera derivado y habilitador del

concepto de computación ubicua, presenta aún numerosos retos tecnológicos,

sociales y de negocio para su puesta en operación y posterior generalización de uso.

[Bernardos, 2008].

Uno de los retos de los cuales hace mención Norma Bernardos en el párrafo anterior

es la determinación de la posición de un usuario en un área específica de grandes

dimensiones o multinivel. Conocidos como indoor location systems (sistemas de

localización en interiores por sus siglas en inglés ILS) son sistemas evaluadores del

contexto de una persona o dispositivo móvil dentro de un área de localización para

determinar su posición dentro de la misma. Estos sistemas se basan (e incluso se

pueden llegar a clasificar por ellas) en diferentes técnicas de evaluación (o sensado)

del medio para determinar la posición de un objeto con respecto a un punto

previamente identificado. Por nombrar algunos se pueden mencionar aquellos que se

basan en las huellas de temperatura de ciertos objetos, reconocimiento de patrones

visuales, velocidad de tráfico y desplazamiento o reconocimiento de magnitudes de

señales electromagnéticas. Estos últimos son los que ocupan el objetivo de esta tesis,

que, a modo de sistematización de ciertos procesos, propone, modela, desarrolla,

implementa y evalúa métodos de localización en interiores basados en la evaluación

de señales electromagnéticas de tipo Wi-Fi™, Bluetooth y RFID. Para fines prácticos y

de implementación los métodos de localización fueron automatizados dentro de

métodos y clases de programación a modo de “librería de funciones”. Esta librería fue

desarrollada en el lenguaje de programación JAVA para garantizar la compatibilidad

de las funciones sobre cualquier plataforma (sistema operativo) que permita la

ejecución de una maquina virtual java (JVM, Java Virtual Machine).

Los capítulos nucleares de esta tesis muestran el modelado, desarrollo e

implementación de una API que contiene los métodos necesarios para desarrollar

servicios de localización en interiores utilizando una arquitectura cliente-servidor

mediante la evaluación del contexto de señales electromagnéticas. En el desarrollo de

la arquitectura cliente servidor se ha propuesto al cliente como un dispositivo móvil con

interfaces Wi-Fi™ y Bluetooth, o a un objeto/individuo identificado por una etiqueta

RFID pasiva.

Los tres últimos capítulos de este documento muestran las pruebas realizadas para

obtener el grado de asertividad de los métodos desarrollados en escenarios de

contexto de señales variables. El último capítulo de este documento muestra la

descripción en formato JAVADoc de cada uno de los métodos que componen la API

desarrollada para ofrecer servicios de localización en interiores basados en tecnología

Wi-Fi™, Bluetooh y RFID. De igual manera se encuentra una copia de un artículo de

investigación publicado en el congreso internacional RFIDSystech 2011 producto de

un desarrollo e investigación relacionada a lo mostrado en este documento.


Tablas de contenidos

Índice de capítulos

Capítulo 1 -- Introducción

1.1. Introducción ______________________________________________________ 2

1.2. Problema _________________________________________________________ 3

1.3 Objetivo principal ___________________________________________________ 3

1.4 Estructura del documento ____________________________________________ 3

Capítulo 2 -- Marco conceptual

2.1 Introducción _______________________________________________________ 6

2.2. RFID _____________________________________________________________ 6

2.3. IEEE 802.11 _______________________________________________________ 7

2.4. API (Application Program Interface) ___________________________________ 7

2.5. LLRP (Low Level Reader Protocol) _____________________________________ 7

2.6. Sistema de localización en interiores __________________________________ 10

2.7. Bluetooth ________________________________________________________ 11

Capítulo 3 -- Estado del arte

3.1 Introducción ______________________________________________________ 14

3.2. An Indoor Positioning System (IPS) using Grid Model _____________________ 14

3.3. Local positioning system using WiFi networks __________________________ 15

3.4.- Internal Location Based System For Mobile Devices Using Passive RFID And

Wireless Technology __________________________________________________ 17

3.5. A Patient Identification System using RFID and IEEEE 802.11b Wireless Networks

___________________________________________________________________ 18

3.6 Localización y seguimiento de terminales móviles en entornos indoor. _______ 19


3.7 Servicios de localización conscientes del contexto aplicando perfiles de movilidad

y tecnologías de localización heterogéneas ________________________________ 20

Capítulo 4 -- CHAMAN

4.1 Introducción ______________________________________________________ 23

4.2 Método de localización en interiores basados en huella de señal (Fingerprint) _ 24

4.3 Descripción de general de la API ______________________________________ 24

4.4 Funcionalidades ___________________________________________________ 26

4.5 Modelo y arquitectura de la API para servicios de localización en interiores

utilizando tecnología Wi-Fi™, Bluetooth, RFID y QRCode. _____________________ 28

4.5.1 Modelo del proceso de localización implementado en la API __________________ 29

4.5.2 Reglas de inferencia utilizadas por CHAMAN en el proceso de localización en

interiores ________________________________________________________________ 30

4.6.2 Modelo entidad relación del esquema utilizado para la persistencia de datos

utilizados para el proceso de localización ______________________________________ 32

4.6.3 Arquitectura de capas de la API para servicios de localización en interiores. ______ 35

4.7 Diseño de capas de la API ___________________________________________ 36

4.7.1 Capa de conexión física ________________________________________________ 36

4.7.1.1 Clase RFIDReaderLLRPConnection _____________________________________________ 37

4.7.1.2 Clase RFIDReaderSMNPConnection ____________________________________________ 38

4.7.1.3 Clase WiFiClientConnection __________________________________________________ 38

4.7.2 Capa de traducción de datos ____________________________________________ 39

4.7.2.1 Clase TranslateRawData ____________________________________________________ 41

4.7.2.2 Clase trainingRadioMap _____________________________________________________ 41

4.7.2.3 Clase locationPackage ______________________________________________________ 41

4.7.2.4 Clase ROSPEC_Event ________________________________________________________ 42

4.7.3 Capa de filtrado de datos _______________________________________________ 42

4.7.3.1 Clase LocationAreaIdentification ______________________________________________ 43

4.7.3.2 Clase RFIDIdentification _____________________________________________________ 43

4.7.3.3 Clase PlayersIdentiffication __________________________________________________ 43

4.7.4 Capa de procesamiento de datos ________________________________________ 43

4.7.4.1 Subcapa de entrenamiento __________________________________________________ 44

4.7.4.3 Subcapa de localización _____________________________________________________ 45

Microlocalización ________________________________________________________________ 47

Macrolocalización ________________________________________________________________ 49

Localización utilizando contexto de tecnologías RFID o NFC ______________________________ 49

Localización utilizando QRCodes ____________________________________________________ 50


4.7.4.4 Capa de conexión a repositorios relacionales _____________________________ 51

4.7.4.5 Capa de servicios ____________________________________________________ 52

4.8 Diagrama de clases ________________________________________________ 53

Capítulo 5 -- Casos de estudio

5.1 Introducción ______________________________________________________ 55

5.2 Caso de estudio 1: Localización en interiores utilizando contexto de tecnologías

Wi-Fi™ y Bluetooth____________________________________________________ 55

5.2.1 Descripción del escenario_______________________________________________ 55

5.2.2 Entrenamiento _______________________________________________________ 57

5.2.2.1 Implementación del método de localización fingerprint ___________________________ 57

5.2.2.2 Diseño de un “grid” virtual sobre el área de localización ___________________________ 57

5.2.2.3 Creación de “radiomapa” de áreas de localización ________________________________ 60

5.3 Localización en interiores en un medio no controlado _________________________ 63

5.3.1 Microlocalización ____________________________________________________________ 63

5.3.2 Macrolocalización ___________________________________________________________ 81

5.3.3 Resultados _________________________________________________________________ 91

5.4 Caso de estudio 2: Localización en interiores utilizando contexto de tecnología

RFID _______________________________________________________________ 91

5.4.1 Escenario 1: acceso a una zona de localización ______________________________ 92

Descripción del escenario __________________________________________________________ 92

Pruebas ________________________________________________________________________ 93

5.4.2 Escenario 2: localización en edificio multinivel ______________________________ 94

Descripción del escenario __________________________________________________________ 94

Pruebas ________________________________________________________________________ 94

Resultado de pruebas ______________________________________________________ 95

Capítulo 6 -- Conclusiones

6.1 Conclusiones ______________________________________________________ 97

6.2 Trabajos futuros ___________________________________________________ 98


Capítulo 7 -- Referencias

7. Referencias _______________________________________________________ 102

Capítulo 8 -- Anexos

8.1 Introducción _____________________________________________________ 105

8.2 Application to a warehouse environment of a tracking system based on RFID and

free software _______________________________________________________ 105

8.3 Especificaciones técnicas de instrumentos utilizados en el proceso de localización

__________________________________________________________________ 113

8.3.1 Puntos de acceso ____________________________________________________ 113

Punto de Acceso Linksys WRT54GL _________________________________________________ 113

Punto de Acceso Linksys WRT120N _________________________________________________ 114

Punto de Acceso DLink 2440t _______________________________________________ 115

8.3.2 Portal RFID _________________________________________________________ 117

Lector RFID Impinj Speedway ______________________________________________________ 117

8.3.3 Dispositivo móvil cliente ______________________________________________ 119


Índice de figuras

Figura 2.1 Modelo de objetos de protocolo LLRP

8

Figura 1 Arquitectura de transporte de datos de Bluetooth 12

Figura 2- Esquema de capas los elementos y procesos involucrados en la localización del dispositivo cliente

15

Figura 3.- Arquitectura del sistema de localización

16

Figura 3.3 .- Modelo de comunicación del sistema

17

Figura 4.- Simulación de la aplicación en la cual se ha obtenido la posición del dispositivo (cubículo 4)

18

Figura 5.- Reglas usadas para la evaluación difusa de localización, en ella interviene la calidad de la señal de 4 puntos de acceso ( AP) y obtiene como resultado la zona en la que se encuentra el cliente

19

Figura 3.6 Diagrama de flujo de proceso de guiado en base a lectura de tags RFID

20

Figura 3.6 Pantallas involucradas en el proceso de guiado en base a lectura de tags RFID

21

Figura 4.1 Diagrama de funcionalidades de las capas que componen a CHAMAN

28

Figura 4.2 Modelo del proceso de localización utilizando el contexto de señales Wi-Fi™ , Bluetooth y RFID

30

Figura 4.3 Definición de zonas utilizando formación “Matryoshka”

33

Figura 4.4 Diagrama Entidad - Relación del esquema del repositorio de datos utilizado por CHAMAN

34

Figura 4.5 Diagrama de capas que componen CHAMAN

35

Figura 4.6 Representación UML de las clases y métodos de tipo interfaz de la clase de conexión física

37

Figura 4.7 Diagrama de clases correspondiente a la capa de traducción de datos Figura 4.8 Diagrama de clases de la capa de filtrado de datos

41

Figura 4.8 Diagrama de clases de la capa de filtrado de datos

42

Figura 4.9 Diagrama de clases de la capa de procesamiento de datos

44

Figura 4.10 (a) radiomapa entrenado vista repositorio relacional, (b) representación gráfica de un radiomapa entrenado

45

Figura 4.11 Modelo secuencial del proceso de localización utilizando el contexto de tecnologías Wi-Fi™ y Bluetooth

47


Figura 4.12 Proceso de microlocalización

48

Figura 4.13 Proceso de macrolocalización

49

Figura 4.14 Proceso de localización utilizando tecnología RFID

50

Figura 4.15 Proceso de localización utilizando la tecnología QRCode.

51

Figura 4.16 Diagrama de clases de la API CHAMAN

53

Figura 5.1 Mapa de distribución arquitectónica de la planta baja del edificio del departamento de ciencias de la computación (CENIDET)

56

Figura 5.2 Secuencia de comunicación de la aplicación cliente con el repositorio relacional en fase de entrenamiento de radiomapa

62

Figura 5.3 Muestra de celdas entrenadas en el repositorio relacional (a) y representación gráfica de un radiomapa entrenado (b)

62

Figura 5.4 Celdas evaluadas

64

Figura 5.5 celdas candidatas resultantes al implementar el algoritmo de localización en la celda J10

66

Figura 5.6 celdas resultantes al implementar el algoritmo de localización en la celda E1

68

Figura 5.7 Resultado de implementar el algoritmo de localización en la celda H7 71

Figura 5.8 Resultado de implementar el algoritmo de localización en la celda 9D

73

Figura 5.9 Resultado de implementar el algoritmo de localización en la celda 11B

76

Figura 5.10 Resultado de implementar el algoritmo de localización en la celda 6B 78

Figura 5.11 Resultado de implementar el algoritmo de localización en la celda 8C

80

Figura 5.12 Conjunto de celdas candidatas (vecindad) en una zona de localización

81

Figura 5.13 Resultado de la implementación del algoritmo de localización en la zona entrada al edificio

83

Figura 5.14 Resultado de la implementación del algoritmo de localización en la zona Laboratorio de Ingenieria de software

84

Figura 5.15 Resultado de la implementación del algoritmo de localización en la zona Laboratorio de Inteligencia Artificial

85

Figura 5.16 Resultado de la implementación del algoritmo de localización en la zona Cubo Central

86

Figura 5.17 Resultado de la implementación del algoritmo de localización en la zona Aula 2

87


88



89

Figura 5.20 Resultado de la implementación del algoritmo de localización en la zona Laboratorio de Sistemas Distribuidos

90

Figura 5.21 Distribución de infraestructura RFID en el edificio del DCC

92

Figura 5.22 Diagrama de disposición de antenas en escenario de entrada y salida controlado por antenas RFID

93

Figura 5.23 Distribución de antenas RFID en la zona de escaleras del edificio del DCC

94

Figura 6.1 Diagrama de implementación de CHAMAN y un sistema visor de posición en interiores en un dispositivo móvil

99

Figura 6.2 Diagrama de propuesta de implementación e interoperabilidad en el internet de las cosas entre CHAMAN , fosstrak y hardware Arduino

99


Capítulo 1 -- Introducción Página 1

Capítulo 1 Introducción



1.1. Introducción

En 1950 Isac Assimov (visionario con todas y cada una de las letras de la palabra)

escribió una novela titulada Yo, Robot1 (I, Robot), si bien la temática de la historia

transcurría sobre términos éticos e inteligencia artificial, Assimov no escatimo en

detalles sobre el contexto en el cual se desarrolla la historia, en más de una ocasión

se describe la gran variedad de servicios ofrecidos a un humano según el lugar en

donde se encontraba (ahora le llamamos contex-aware). Años más tarde, en 1956,

Philip K. Dick publica “The minority report”2 en donde narra las vivencias de John

Anderton. Nuevamente el autor no deja a la imaginación del lector detalles del

contexto de cada aventura, pero esta vez, se describe lo que al parecer es un

“dispositivo rastreador” que, tal vez, en aquel tiempo por ser lo más avanzado en

tecnología, se describía su funcionamiento como ondas de radio. Tuvieron que pasar

más de 30 años de aquellas publicaciones para que se pudiese llevar a la realidad, tal

vez, inspirados en aquellas viejas historias u orillados a evolucionar hacia el grado de

comodidad descrito en tales historias; nacen los primeros sistemas de localización

para uso no militar, los cuales, no han parado de evolucionar, llegando así a la actual

tecnología de sistemas de posicionamiento global (GPS por sus siglas en inglés) que

proporciona una gran precisión en escenarios urbanos, pero es de muy poca ayuda en

escenarios donde el individuo u objeto a localizar se encuentra dentro de un edificio,

esto se debe a la interferencia o atenuación de señal que producen los elementos

arquitectónicos del edificio. Como respuesta a esta necesidad se desarrollaron (y

continúan en constante desarrollo) sistemas de localización en interiores que tienen

como fin determinar la posición de un objeto dentro de un área de localización cerrada.

A partir de esta idea, se han desarrollado múltiples soluciones que incluyen

tecnologías que pueden ir desde el reconocimiento de patrones visuales hasta el

reconocimiento de patrones electromagnéticos. Estos últimos, son el punto de partida

y atención de este trabajo de investigación el cual plantea, modela, desarrolla, prueba

y muestra una API escrita en lenguaje de programación JAVA la cual contiene clases y

métodos que permiten al programador ofrecer servicios de localización en interiores

evaluando los patrones de señales electromagnéticas percibidas por un cliente móvil

dentro de un edificio. Dado a que hoy en día existen un gran número de frecuencias

electromagnéticas a nuestro alrededor, pero no todas usadas por el individuo común,

se decidió utilizar señales electromagnéticas propias de las tecnologías de

comunicación inalámbrica más comunes: Wi-Fi™, Bluetooth y RFID, pretendiendo de

esta forma lograr una implementación económica, sencilla y escalable funcionando de

esta manera como base para futuros proyectos en los cuales se necesiten servicios de

localización en interiores.

1 http://en.wikipedia.org/wiki/I,_Robot (Recuperado el 2 de noviembre del 2011)

2 http://en.wikipedia.org/wiki/The_Minority_Report (Recuperado el 2 de noviembre del 2011)

http://en.wikipedia.org/wiki/I,_Robot

http://en.wikipedia.org/wiki/The_Minority_Report



1.2. Problema

La determinación de la posición de un individuo u objeto dentro de un edificio es de

gran importancia en la evaluación de diferentes tópicos como puede ser la seguridad,

navegación, y asistencia personal, los sistemas que atienden este tipo de tópicos son

y/o necesitan de hardware muy costoso [Papapostolou, 2009]. Las soluciones de

software basadas en hardware de comunicación (como puntos de acceso Wi-Fi™ o

Bluetooth que se encuentran en el mercado) que se encuentran actualmente en el

mercado brindan soluciones generales que no pueden ser adaptadas a todo tipo de

escenario sin mencionar la falta de compatibilidad con aplicaciones de terceros.

1.3 Objetivo principal

Como se podrá apreciar en futuros capítulos, actualmente existen múltiples opciones,

técnicas, algoritmos y métodos para obtener la posición aproximada de un individuo u

objeto dentro de un escenario de tipo interior (indoor). Aquellos que son

implementados como una solución computacional son realizados de forma monolítica

o poco escalable. Por lo tanto: El objetivo de esta tesis es desarrollar métodos de

localización en interiores basados en evaluación de señales electromagnéticas y

encapsularlos dentro de clases que a su vez formarían librerías de programación de

forma tal que al ser implementada, el programador que utilice la API pueda obtener

como resultado de la ejecución de un método la información de localización de un

individuo determinado dentro de un área de localización haciendo de esto un proceso

rápido, económico y casi transparente para el programador.

1.4 Estructura del documento

Este documento de tesis se encuentra distribuido en siete capítulos en los cuales se

presentan en una primera parte los conceptos básicos y metodologías de localización

que le permiten al lector extender el panorama y vocabulario necesario para

comprender los capítulos sustánciales de la tesis en los cuales se describe el

modelado, codificación, implementación y pruebas de los métodos de localización en

interiores productos de esta investigación. Por último, el lector se encontrará con las

conclusiones obtenidas por el autor al finalizar el proceso de investigación, desarrollo e

implementación, como también un capítulo en el cual se encuentran los documentos

anexos como lo son documentación de la API, imágenes y un artículo presentado en

un congreso internacional producto derivado de la investigación desarrollada en el

proceso de investigación de esta tesis.

El listado de capítulos que a continuación se muestra atiende a la estructura que se ha

establecido para la publicación de este documento.

En el capítulo 1. Introducción y descripción general del tema de investigación. El

capítulo 2 muestra un marco conceptual en el cual se definen conceptos que son



utilizados en el resto del documento. El capítulo 3 corresponde a la descripción del

estado del arte relacionado a los procesos de localización en interiores utilizando

tecnología Wi-Fi ™, Bluetooth y RFID. El capítulo 4 contiene el modelado y descripción

de la API propuesta en esta tesis. En el capítulo 5 se encuentran registradas las

pruebas realizadas para comprobar el grado de presión de los algoritmos

desarrollados y codificados en métodos y clases pertenecientes a la API. El capítulo 6

contiene las conclusiones generales a las que se ha llegado después de realizar el

proceso de investigación, desarrollo e implementación de las ideas planteadas en esta

tesis. El capítulo 7 muestra las referencias bibliográficas Y por último, el capítulo 8

contiene los documentos anexos a esta investigación.


Capítulo 2 -- Marco conceptual Página 5

Capítulo 2 Marco conceptual



2.1 Introducción

Tecnologías de comunicación inalámbrica, identificación por radio frecuencia, sistemas

de localización en interiores y magnitudes electromagnéticas pueden ser términos

extraños para un lector no “iniciado” o ajeno a los términos relacionados e incluidos en

este documento de tesis. En este capítulo se encuentran las definiciones básicas que

permitirán al lector contar con las bases para comprender los escenarios, propuestas y

desarrollos realizados en el resto de este documento.

2.2. RFID

RFID (Identificación por Radiofrecuencia) es un método de almacenamiento y

recuperación remota de datos, basado en el empleo de etiquetas o “tags” en las que

se encuentra almacenada información. RFID se basa en un concepto similar al del

sistema de código de barras; la principal diferencia entre ambos reside en que el

segundo utiliza señales ópticas para transmitir los datos entre la etiqueta y el lector, y

RFID, en cambio, emplea señales de radiofrecuencia (en diferentes bandas

dependiendo del tipo de sistema, típicamente 125 KHz, 13,56 MHz, 433-860-960 MHz

y 2,45 GHz).

Los sistemas RFID se componen principalmente de cuatro elementos:

Una etiqueta RFID, también llamada tag o transpondedor (transmisor y

receptor). La etiqueta se inserta o adhiere en un objeto, animal o persona. Esta

etiqueta cuenta con un código numérico que la identifica, ya sea un TAGID o

un código electrónico del producto (EPC). En este contexto, la palabra “objeto”

se utiliza en su más amplio sentido: puede ser un vehículo, una tarjeta, una

llave, un paquete, un producto, una planta, etc. Consta de un microchip que

almacena los datos y una pequeña antena que habilita la comunicación por

radiofrecuencia con el lector.

Un lector o interrogador, se encarga de transmitir una señal de radio

frecuencia que recibe el tag, esta señal es transformada por la antena del tag

en voltaje para energizar el chip, una vez que se energiza el tag, este es capaz

de enviar su código de identificación. El lector consta de un módulo de

radiofrecuencia (transmisor y receptor), una unidad de control y una antena

para interrogar los tags vía radiofrecuencia. Los lectores están equipados con

interfaces estándar de comunicación que permiten enviar los datos recibidos de

la etiqueta a un subsistema de procesamiento de datos, como puede ser una

computadora personal que gestiona una base de datos. Algunos lectores llevan

integrado un programador que añade a su capacidad de lectura la habilidad

para escribir información en las etiquetas. A lo largo del presente estudio,

cuando hablemos de lector, se considerará que es un dispositivo capaz de leer

la etiqueta, independientemente de si puede sólo leer, o leer y escribir.



Una computadora, que desarrolla la aplicación RFID. Recibe la información de

uno o varios lectores y se la comunica al sistema de información. También es

capaz de transmitir órdenes al lector.

Adicionalmente, un middleware (aplicación que hace posible el funcionamiento

de aplicaciones distribuidas sobre plataformas heterogéneas); ejecutándose en

segundo plano un sistema ERP (sistema de planificación de servicios

empresariales) de gestión de sistemas IT son necesarios para recoger, filtrar

y manejar los datos. [Portillo, 2008]

2.3. IEEE 802.11

Es un conjunto de estándares para redes inalámbricas de área local que utilizan las

bandas de frecuencia de 2.4 GHz, 3.6 GHz y 5 GHz. [Kerry, 2008] El conjunto de

estándares define el uso de los dos niveles inferiores del modelo OSI (Open System

Interconnection), en estas definiciones se encuentran descritos la arquitectura y el uso

de protocolos de acceso al medio como también formatos y tipos de frames (paquetes)

usados para la intercomunicación de terminales, el contenido de cada frame se

encuentra definido por el tipo al que pertenece, estos pueden ser de control (Control

frames), de datos (Data frame) o de gestión (Management frames).

2.4. API (Application Program Interface)

Es un conjunto de convenciones internacionales que definen cómo debe llamarse a

una determinada función de un programa desde una aplicación [NEODIGIT 09]. Las

funciones o métodos, según sea el paradigma de programación, se encuentran en

archivos individuales encapsulados dentro de un paquete o librería. La idea principal

de implementación de una API es reducir la cantidad de código escrito agrupando las

funciones o métodos que se utiliza en repetidas ocasiones en el cuerpo del programa.

Las funciones o métodos agrupados se escriben y guardan en archivos individuales

que son cargados al inicio del código del programa y las funciones que contienen son

llamas dentro del cuerpo del programa. Por lo general las APIs se agrupan según el

servicio que ofrecen sus funciones, por ejemplo: API de RED, API de servicios de

recomendación, API de comunicación de procesos entre otras.

2.5. LLRP (Low Level Reader Protocol)

Es el protocolo de comunicación utilizado por algunos lectores RFID, en el se

describen las interfaces de red utilizadas para la comunicación entre el lector RFID y

software de control o hardware [PW1]. Las interfaces permiten al software controlador

enviar señales al lector para iniciar el proceso de lectura de EPCs de las etiquetas, o

ejecutar otros comandos como “kill” el cual hace “callar” la señal de un tag una vez



leído su EPC o “lock” la cual impide la modificación de la información contenida en el

tag. La comunicación se establece como se describe en la siguiente imagen.

Figura 2.1 Modelo de objetos de protocolo LLRP

En el modelo anterior se describe el escenario de comunicación donde un cliente

LLRP que puede ser un software que usa el protocolo mediante una API envía

solicitudes al lector LLRP, este es un lector RFID que cuenta con la capacidad de

utilizar el protocolo LLRP para comunicaciones. Para realizar la comunicación entre

cliente y lector es necesario enviar los mensajes en cierto formato, para ello existen

dos alternativas:

Comunicación mediante archivos XML, el cliente envía al lector un archivo XML en el cual se encuentran los comandos LLRP para que el lector realice una tarea específica, una vez realizada la tarea, el lector llena los campos del archivo XML con la información solicitada y es enviado al cliente. A continuación se muestra un ejemplo de un archivo XML usado para la comunicación entre cliente y lector:

<?xml version="1.0" encoding="UTF-8"?>

<llrp:ADD_ROSPEC

xmlns:llrp="http://www.llrp.org/ltk/schema/core/encoding/xml/1.0"

Version="1" MessageID="4">

<llrp:ROSpec>

<llrp:ROSpecID>1</llrp:ROSpecID>



<llrp:Priority>0</llrp:Priority>

<llrp:CurrentState>Disabled</llrp:CurrentState>

<llrp:ROBoundarySpec>

<llrp:ROSpecStartTrigger>

<llrp:ROSpecStartTriggerType>Null</llrp:ROSpecStartTriggerType>

</llrp:ROSpecStartTrigger>

<llrp:ROSpecStopTrigger>

<llrp:ROSpecStopTriggerType>Null</llrp:ROSpecStopTriggerType>

<llrp:DurationTriggerValue>0</llrp:DurationTriggerValue>

</llrp:ROSpecStopTrigger>

</llrp:ROBoundarySpec>

<llrp:AISpec>

<llrp:AntennaIDs>0</llrp:AntennaIDs>

<llrp:AISpecStopTrigger>

<llrp:AISpecStopTriggerType>Null</llrp:AISpecStopTriggerType>

<llrp:DurationTrigger>0</llrp:DurationTrigger>

</llrp:AISpecStopTrigger>

<llrp:InventoryParameterSpec>

<llrp:InventoryParameterSpecID>9</llrp:InventoryParameterSpecID>

<llrp:ProtocolID>EPCGlobalClass1Gen2</llrp:ProtocolID>

</llrp:InventoryParameterSpec>

</llrp:AISpec>

<llrp:ROReportSpec>

<llrp:ROReportTrigger>Upon_N_Tags_Or_End_Of_AISpec</llrp:ROReportTrigg

er>

<llrp:N>1</llrp:N>

<llrp:TagReportContentSelector>

<llrp:EnableROSpecID>1</llrp:EnableROSpecID>



<llrp:EnableSpecIndex>1</llrp:EnableSpecIndex>

<llrp:EnableInventoryParameterSpecID>1</llrp:EnableInventoryParameterS

pecID>

<llrp:EnableAntennaID>1</llrp:EnableAntennaID>

<llrp:EnableChannelIndex>1</llrp:EnableChannelIndex>

<llrp:EnablePeakRSSI>1</llrp:EnablePeakRSSI>

<llrp:EnableFirstSeenTimestamp>1</llrp:EnableFirstSeenTimestamp>

<llrp:EnableLastSeenTimestamp>1</llrp:EnableLastSeenTimestamp>

<llrp:EnableTagSeenCount>1</llrp:EnableTagSeenCount>

<llrp:EnableAccessSpecID>1</llrp:EnableAccessSpecID>

<llrp:C1G2EPCMemorySelector>

<llrp:EnableCRC>1</llrp:EnableCRC>

<llrp:EnablePCBits>1</llrp:EnablePCBits>

</llrp:C1G2EPCMemorySelector>

</llrp:TagReportContentSelector>

</llrp:ROReportSpec>

</llrp:ROSpec>

</llrp:ADD_ROSPEC>

Segmento de código 1: Código XML de un mensaje ROSPEC (mensaje de comunicación entre software de

gestión y lector RFID.

Otra opción es la comunicación directa de mensajes entre el cliente y el lector sin necesidad de uso de un archivo intermediario, para ello es necesario que el lector cuente con esta capacidad. La aplicación cliente envía y recibe los mensajes mediante el uso de una API del protocolo LLRP.

2.6. Sistema de localización en interiores

[Bernardos, 2008] También conocidos como ILS (Indoor Location System) por sus

siglas en ingles, son sistemas que tienen como fin localizar a un usuario (cliente)

dentro de un edificio. Estos sistemas son la base para sistemas de recomendación y

guiado.

Los ILS pueden clasificarse en dos categorías:



Sistemas de localización basado en tags o etiquetas, en los cuales el equipo sólo es capaz de detectar y por lo tanto localizar, a aquellos elementos que porten un dispositivo conocido como tag y por consiguiente al elemento etiquetado.

Sistemas de localización de sondeo, este tipo de sistema de localización utiliza una señal o frecuencia específica para realizar el proceso de localización. En este tipo de sistemas, un dispositivo dentro de un edificio o área específica irradia un tipo de señal previamente caracterizada, esta señal es captada por una red de sensores distribuidos en todo el edificio o área específica y en base a algoritmos de triangulación (algoritmos que determinan la posición de un elemento dentro de un área determinada por tres puntos en diferentes coordenadas) ofrecer una posición del edificio dentro del área sondeada.

2.7. Bluetooth

Es una especificación industrial para Redes Inalámbricas de Área Personal (WPANs)

que posibilita la transmisión de voz y datos entre diferentes dispositivos mediante un

enlace por radiofrecuencia en la banda ISM de los 2,4 GHz.3 Los principales objetivos

que se pretenden conseguir con esta norma son:

Facilitar las comunicaciones entre equipos móviles y fijos.

Eliminar cables y conectores entre éstos.

Ofrecer la posibilidad de crear pequeñas redes inalámbricas y facilitar la sincronización de datos entre equipos personales.

Los dispositivos que con mayor frecuencia utilizan esta tecnología pertenecen a

sectores de las telecomunicaciones y la informática personal, como PDA, teléfonos

móviles, computadoras portátiles, ordenadores personales, impresoras o cámaras

digitales.

La arquitectura descrita por el estándar 802.15 se puede mostrar como un conjunto de

capas superpuestas, cada una de ellas con un funcionamiento especifico que se

describe a continuación en la figura 2.

3 Descripción de tecnología bluetooth recuperada de los documentos oficiales publicados en la página

de internet oficial : http://www.bluetooth.com

http://www.bluetooth.com/



Figura 6 Arquitectura de transporte de datos de Bluetooth(http://www.bluetooth.com/Pages/Basics.aspx)

http://www.bluetooth.com/Pages/Basics.aspx


Capítulo 3 -- Estado del arte Página 13

Capítulo 3 Estado del arte



3.1 Introducción

Hoy en día se pueden encontrar una gran cantidad de aportes en cuanto a tópicos de

servicios de localización en interiores se refiere, algunos muestran técnicas

completamente innovadoras, otros aportan nuevos métodos a técnicas ya

desarrolladas. Este capítulo muestra una breve descripción de las investigaciones

relacionadas a la desarrollada en este trabajo de tesis que ha servido como bases

teóricas y prácticas para el desarrollo e implementación de ideas descritas en los

próximos capítulos.

3.2. An Indoor Positioning System (IPS) using Grid Model [Muttitanon,

2007]

El artículo muestra los resultados de la implementación de un sistema de localización

en interiores cuyo método para la determinación de la posición del usuario se basa en

el cálculo de las intensidades de señal recibidas por un dispositivo cliente dentro de

una red de puntos de acceso IEEE 802.11x.

El sistema tiene un arquitectura cliente-servidor en donde el servidor ofrece una base

de datos de los perfiles de cada uno de los puntos de acceso IEEE 802.11x, el cliente

por su parte, se ejecuta en el dispositivo móvil que desea ser localizado, cabe

mencionar que el sistema se encuentra limitado a la plataforma Windows Mobile por

haber sido desarrollado en Visual Basic.net. La metodología de localización es la

siguiente:

Obtener de una base de datos los perfiles de ubicación de los puntos de acceso dentro del edificio. Los perfiles de cada punto de acceso permiten la creación de un mapa con la ubicación de cada punto de acceso en el edificio, sobre el mapa de ubicación de puntos de acceso el sistema dibuja una cuadricula (GRID) donde a cada celda le corresponde un valor de intensidad de señal de cada punto de acceso.

Iniciar el proceso de censado de señales de puntos de acceso inalámbricos en el medio, esto es, obtener la intensidad de señal, dirección MAC y BSSID de cada punto de acceso que se encuentre a su alcance en ese momento.

Localizar dentro del GRID (cuadrícula) la ubicación del dispositivo que ha censado el medio, esto en base a un algoritmo probabilístico que usa como entrada la intensidad de señal de cada punto de acceso censado y proporciona como resultado la localización del dispositivo cliente dentro de un mapa del edificio.



La figura 3 muestra en un esquema de capas los elementos y procesos involucrados

en la localización del dispositivo cliente descritos anteriormente.

3.3. Local positioning system using WiFi networks [Ferreira, 2007]

Este trabajo describe un sistema de localización de interiores desde su fase de

creación y desarrollo hasta su implementación. El sistema es capaz de recuperar la

posición de un dispositivo inalámbrico de tipo IEEE 802.11x implementando para ello

una solución de software, sin necesidad de algún tipo de hardware especializado. El

motor de posicionamiento usa una red neuronal artificial para describir el

comportamiento de un canal de propagación. El entrenamiento de la red neuronal se

Figura 7- Esquema de capas los elementos y procesos involucrados en la localización del dispositivo

cliente



basa en los datos de variación de frecuencias obtenidos por el dispositivo que se

localizará.

Arquitectura

La arquitectura del sistema se basa en la red de puntos de acceso IEEE 802.11 del

edificio y un servidor que tiene asociados todos los puntos de acceso, este servidor

mantiene una bitácora de las actividades de cada punto de acceso como asociación y

des-asociación de nodos y su dirección MAC. En el mismo servidor se encuentra

implementada la red neuronal encargada de la localización de los dispositivos móviles.

La Figura 4 describe la arquitectura del sistema de localización.

La metodología de localización se basa en dos etapas: macro-localización y micro-

localización

En la etapa de macro-localización se localiza a grande escala la posición del

dispositivo en base a las bitácoras de los puntos de acceso, de estas bitácoras se

recupera el identificador del punto de acceso al cual se encuentra asociado el

dispositivo móvil, de esta forma, la localización del dispositivo móvil se reduce al área

de cobertura del punto de acceso al cual se encuentra asociado.

En la etapa de micro-localización se utiliza el método llamado radiofrecuencia

fingerprintig que no es más que la recuperación de todas las señales de

radiofrecuencia (Beacon frames) captadas por el cliente. Entre los datos capturados se

encuentra la intensidad de señal de cada punto de acceso, esta es la entrada que

necesita la red neuronal para realizar el cálculo de posición del dispositivo móvil. Una

vez que la red neuronal ha calculado la ubicación se envía una notificación al

dispositivo móvil acompañada de un mapa del sitio donde se muestra su ubicación con

un margen de error de 2 metros.

Figura 8.- Arquitectura del sistema de localización



3.4.- Internal Location Based System For Mobile Devices Using

Passive RFID And Wireless Technology [Potgantwar, 2009]

Este artículo describe la implementación de un sistema de localización en interiores en

base a la lectura de etiquetas RFID que identifican cada una de las secciones de cada

área del edificio.

La arquitectura del sistema es de tipo cliente-servidor, el cliente se ejecuta en un

dispositivo móvil con la capacidad de lectura de etiquetas RFID y conexión inalámbrica

de tipo IEEE 802.11, esta última es utilizada para la comunicación entre el cliente y el

servidor como se aprecia en la figura 5. El servidor cuenta con una base de datos en

donde se encuentra almacenados mapas de distribución del edificio, cada mapa tiene

asociado IDs de tags que representan cada una de las áreas del mapa.

La metodología implementada por el sistema se basa en cuatro etapas:

1.- El dispositivo cliente sondea en una determinada cantidad de segundos el medio,

obteniendo la información de cada etiqueta RFID que se encuentre a su alcance.

2.- La información obtenida del sondeo es enviada al servidor de mapas vía HTTP.

3.- El servidor obtiene el paquete y en base a la potencia de señal de cada etiqueta

leída estima la posición del cliente.

4.- El servidor recupera de la base de datos el mapa donde se encuentra el

identificador de la etiqueta RFID y se envía al dispositivo cliente.

La siguiente imagen muestra una simulación de la aplicación en la cual se ha obtenido

la posición del dispositivo (cubículo 4).

Figura 3.3 .- Modelo de comunicación del sistema



3.5. A Patient Identification System using RFID and IEEEE 802.11b

Wireless Networks [Aguilar, 2007]

Esta tesis de maestría describe la implementación de un sistema cliente/servidor para

la identificación de pacientes de un hospital en base a la lectura de etiquetas RFID

usando la infraestructura de red inalámbrica IEEE 802.11b para la comunicación entre

el dispositivo cliente y el servidor.

Arquitectura:

El sistema se compone de terminales clientes con capacidad de lectura de etiquetas

RFID, estas terminales ejecutan una aplicación que recupera el identificador de

etiquetas RFID, envía la información al servidor y cuando éste retorna una respuesta

es desplegada por la aplicación ejecutada en el dispositivo mostrando la información

asociada a la etiqueta leída. El servidor se compone de:

Una base de datos donde se encuentra la información de pacientes asociada a un único identificador de etiqueta RFID.

Una aplicación encargada de procesar la información envidada por el cliente, esto es, recuperar de la base de datos la información asociada al identificador de etiqueta RFID recibida y enviarla al cliente.

Figura 9.- Simulación de la aplicación en la cual se ha obtenido

la posición del dispositivo (cubículo 4)



3.6 Localización y seguimiento de terminales móviles en entornos

indoor. [Atrain, 2006]

En este trabajo se presenta un método de localización basado en la combinación de

valores de potencia recibida y de un sistema de inferencia difuso para determinar la

posición del usuario.

Cada dispositivo móvil debe disponer de un interfaz WiFi, que es la que permitirá

medir el nivel de señal recibido de cada punto de acceso de la red. Con la ayuda de un

sistema de inferencia difuso se obtiene un conjunto de reglas de tipo SI-ENTONCES

que permite estimar la localización de los dispositivos de modo preciso. Estas reglas

se obtienen mediante el conocimiento de la ubicación de los puntos de acceso y el

aprendizaje de una red neuronal de los niveles de señal recibidos por las terminales en

cada una de las coordenadas del escenario.

En esta investigación se considera una red inalámbrica tipo IEEE 802.11, que presta

servicio de comunicación entre terminales inalámbricas sobre el escenario de estudio y

que no requiere ningún tipo de modificación para ser empleada como mecanismo de

localización de dispositivos móviles.

Para llevar a cabo el proceso de localización cada dispositivo móvil que desee obtener

su ubicación dentro de una red de puntos de acceso IEEE 802.11 debe de conocer

previamente la distribución de dichos puntos de acceso, esto es, obtener de una base

de datos los perfiles de distribución. Una vez obtenidos los perfiles el dispositivo móvil

realiza un censo de las señales de puntos de acceso IEEE 802.11 que pueda percibir.

Los datos de potencia obtenidos del censo y los perfiles de los puntos de acceso IEEE

802.11 son ingresados a una red neuronal y ésta, en base a un conjunto de reglas de

lógica difusa genera una respuesta que es el punto de localización del dispositivo

móvil.

La siguiente imagen muestra una de las reglas usadas para la evaluación difusa de

localización, en ella interviene la calidad de la señal de cuatro puntos de acceso (AP)

y obtiene como resultado la zona en la que se encuentra el cliente.

Figura 10.- Reglas usadas para la evaluación difusa de localización, en ella interviene la calidad

de la señal de 4 puntos de acceso ( AP) y obtiene como resultado la zona en la que se encuentra

el cliente



3.7 Servicios de localización conscientes del contexto aplicando

perfiles de movilidad y tecnologías de localización heterogéneas

[ Arjona, 2009]

En esta tesis se describe el desarrollo de la aplicación T-Guide. Actualmente el

sistema cuenta con una arquitectura cliente-servidor. Es necesario resaltar que el

dispositivo cliente debe de cumplir con las siguientes características:

Contar con sistema operativo Android

Contar con una cámara

Contar con lector RFID

Entre los servicios que ofrece la aplicación T-Guide se encuentra el servicio de guiado

en interiores en base a la lectura de tags RFID, cada vez que el cliente censa un tag

RFID asignado a un área dentro del edificio, el cliente actualiza su estado y posición,

la nueva información es desplegada en pantalla. La Figura 8 muestra el diagrama de

flujo del proceso de guiado por RFID.

Figura 3.6 Diagrama de flujo de proceso de guiado en base a lectura de tags RFID



El despliegue de información se aprecia en el dispositivo móvil como se muestra en la figura 9:

Figura 3.6 Pantallas involucradas en el proceso de guiado en base a lectura de tags RFID


Capítulo 4 -- CHAMAN Página 22

Capítulo 4 CHAMAN



4.1 Introducción

En el capítulo 4 se revisaron los métodos utilizados por los sistemas de localización en

interiores (ILS) para ofrecer servicios de localización y seguimiento de usuarios u

objetos que se desplacen libremente dentro del área donde se presta el servicio de

localización. En la conclusión del mismo capítulo se propone el método de fingerprint o

huella de señal como el método de localización más adecuado para escenarios

complejos, en los cuales, el tráfico de entidades físicas (personas y objetos) y la

distribución arquitectónica del edificio hace poco viable la implementación de modelos

predictivos de propagación de señales electromagnéticas como base para el desarrollo

de métodos de localización.

En este capítulo se presenta y describe el diseño y la funcionalidad de una API la cual

contiene clases y métodos que permiten el desarrollo completo o modular de un

sistema de localización en interiores utilizando el método de localización fingerprint.

Esta API a la cual se hará referencia con el nombre de CHAMAN4 está escrita en Java.

Sus clases y métodos fueron modelados y desarrollados para ofrecer servicios de

localización en interiores de edificios tipo campus, se utilizan tres tecnologías para la

localización: 1) se señales electromagnéticas, 2) la asociación de lugares con

marcadores bidimensionales (QRCodes) y 3) TAGs RFID.

En las secciones correspondientes a los motores de localización se describen a

profundidad el funcionamiento y la secuencia de estados de cada uno de los

algoritmos de localización en interiores implementados como métodos de la API que

se desarrollaron para probar las hipótesis planteadas en esta tesis y soportar los casos

de estudio que se comentan en el capítulo 6.

La versión actual de CHAMAN integra métodos de localización en interiores basados

en la evaluación del contexto de tecnología Wi-Fi™, Bluetooth y RFID, de igual forma

permite la identificación por asociación de marcadores de tipo QRCode. Brevemente

se describen los métodos contenidos en la API:

Permiten identificar y localizar usuarios u objetos etiquetados con una etiqueta

RFID pasiva dentro de un edificio que cuente con un despliegue de antenas. La

localización se realizará a no más de 5 metros alrededor de la antena RFID.

Permiten localizar dispositivos clientes evaluando su contexto de señales Wi-

Fi™ y Bluetooth.

Permiten identificar la posición de un usuario según el identificador

decodificado de un marcador de tipo QRCode.

Permiten crear, guardar y consultar un historial de eventos de localización

4 Del idioma tungu, de Siberia, xaman o schaman, y éste del verbo scha, "saber", es un individuo al que

se le atribuye la capacidad de modificar la realidad, de comunicarse con los espíritus y de presentar habilidades visionarias y adivinatorias.



A continuación se comentan los objetivos funcionales de la API CHAMAN, se describe

su diseño general y se profundiza en la funcionalidad de cada una de las capas de

interacción que componen la API. Por último se muestra el diagrama de clases y sus

métodos que pueden ser instanciados.

4.2 Método de localización en interiores basados en huella de

señal (Fingerprint)

[Bernardos, 2008] El proceso de localización basado en el uso de huella o fingerprint

es una técnica de reconocimiento de patrones que se fundamenta en la existencia de

una huella de potencia de señal recibida construida durante un proceso de calibración

(fase offline), previo al de determinación de la posición en tiempo real (fase online).

Dicha huella se convierte en el patrón con el que comparar las medidas tomadas en

tiempo real. La forma en la que se diseña y almacena la huella (qué medidas se

almacenan y cómo) y la definición de la distancia con la que operar en tiempo real son

dos aspectos clave que determinan la calidad del funcionamiento del algoritmo.

Las técnicas fundamentales de fingerprint son de dos tipos:

a) deterministas, que son aquellas que representan la medida de potencia de señal

recibida con un escalar (por ejemplo, la potencia media recibida) y utilizan métodos no

estadísticos para estimar la posición del usuario.

b) las probabilísticas, que almacenan información acerca de la función de distribución

de las medidas de potencia de señal en un radiopmapa y utilizan técnicas estadísticas

para calcular la posición

4.3 Descripción de general de la API

CHAMAN se encuentra formada por seis paquetes que siguen la nomenclatura

cenidet.chaman.api.indoor.* en la cual se agrupan clases y métodos según su

funcionalidad. Cada paquete representa un tipo de interacción con el sistema aislando

un tarea específica, de esta forma el programador que implemente CHAMAN para el

desarrollo de un sistema de localización en interiores puede implementar total o

parcialmente las clases dentro de la API para obtener soluciones en el contexto de

localización según sea la granularidad de precisión que busque el desarrollador del

sistema.

La implementación de CHAMAN en un ILS propone un proceso de localización por

etapas haciendo uso de múltiples tecnologías de identificación y comunicación para

llevar a cabo el proceso de ubicación de un objeto o individuo dentro de un edificio o

área de localización determinada por el administrador del sistema. Para llevar a cabo

tal tarea los métodos que componen la API deben ser llamados en un orden

determinado y se debe contar con ciertas precondiciones, primero se requiere un

entrenamiento del sistema para crear radio-mapas de señales, después se debe



etiquetar personas y objetos con tags RFID pasivos y finalmente, se requiere una

adecuada distribución de puntos de acceso (AP) tanto Wi-Fi™ como Bluetooth. Los

métodos de CHAMAN en conjunto con un repositorio relacional (base de datos)

permiten crear un radio-mapa de las zonas en las que se prestará el servicio de

localización (ILS). Se realiza un proceso de localización llamada “entrenamiento”,

posteriormente haciendo uso de algoritmos de localización codificados en métodos de

localización dentro de la API el ILS que implemente CHAMAN puede determinar la

ubicación de un individuo y objeto etiquetado con tags RFID o portador de dispositivos

con interfaz Wi-Fi™ que permitan obtener el contexto de señales para enviarlas vía

TCP a un servicio de localización que implementa los métodos de servicio de

información (localización, historial y seguimiento) contenidos en CHAMAN.

Como se comentó en el capítulo 3, los sistemas de localización en interiores que

basan sus métodos de localización en la técnica fingerprint, realizan un mapeo

completo del área en la cual se prestará el servicio de localización, esto puede ser un

inconveniente en escenarios donde la distribución espacial de la zona puede

modificarse según la necesidad de los usuarios, esta técnica de localización es

ineficiente cuando el mapa generado previamente cambia, es decir, si la distribución

espacial de los AP se modifica, o hay modificaciones estructurales en el interior del

edificio. Para solucionar situaciones como ésta CHAMAN propone un modelo de

entrenamiento por zonas funcionales o áreas de localización limitadas por muros

sólidos imposibles de mover dentro de la arquitectura del edificio, de esta forma, en

caso de existir un cambio en la distribución espacial del edificio o zona específica sólo

se deberá crear de nuevo el mapa de señales de la zona modificada.

Cada método de CHAMAN fue diseñado para retornar información específica dentro

del proceso de localización de forma tal que el programador puede hacer uso de

CHAMAN en combinación con otras APIs o seguir la implementación sugerida en esta

tesis para realizar las pruebas de funcionamiento de la API.

CHAMAN puede ser modelada como una estructura compuesta por capas ordenadas

jerárquicamente en la cual la capa de nivel inferior es la encargada de brindar métodos

abstractos de comunicación directa con el hardware involucrado en el proceso de

localización en interiores (ILS) mediante diferentes protocolos que son transparentes

para el programador final, siguiendo el modelo, de manera ascendente se encuentran

con métodos de cifrado y descifrado de paquetes utilizados para la comunicación con

dispositivos hardware, métodos de filtrado de información, métodos de procesamiento

de datos recibidos hasta llegar al paquete que contiene los métodos abstractos de

servicios que le permiten a un programador obtener información estructurada del

repositorio relacional.

Los paquetes que integran CHAMAN, se clasifican según su funcionalidad, permiten al

programador que los implemente funcionalidades tales como:

Paquete de red: conectar y obtener datos en crudo o cifrados de hardware

utilizado en el proceso de localización como puntos de acceso Wi-Fi™,

Bluetooth y portales RFID que implementen el protocolo LLRP o SMNP5.

5El Protocolo Simple de Administración de Red o SNMP (del inglés Simple Network Management

Protocol) es un protocolo de la capa de aplicación que facilita el intercambio de información de



Paquete de interpretación: leer y traducir mensajes en formato JSON6 o

LLRP ROSpec7 recibidos directamente del hardware de localización para

utilizar los datos en el proceso de localización

Paquete de filtrado: identificar el hardware, áreas de localización, objetos y

usuarios involucrados en el proceso de localización.

Paquete de procesamiento: procesar los datos de contexto de señales

inalámbricas para crear radio-mapas o determinar la posición de un objeto o

usuario.

Paquete de conexión: permitir conexión, consultar y alterar el contenido de

repositorios relacionales que funcionan como repositorio de datos de contexto

de localización.

Paquete de servicios: retornar información sobre la posición de un usuario u

objeto dentro de un área de localización así como el historial de posiciones

dentro del área de localización de estos.

La comunicación entre métodos de CHAMAN se realiza por “paso de parámetros”

utilizando datos de tipo String. La comunicación que ofrecen los métodos incluidos en

el paquete de red utilizar cadenas de String codificadas en formatos JSON y XML

(utilizado para los mensajes ROSPECT) para entablar comunicación con el hardware

involucrado en el proceso de localización.

4.4 Funcionalidades

Como se mencionó en la sección anterior, CHAMAN se compone por seis paquetes

que de forma conceptual se pueden modelar como una estructura compuesta por

capas o niveles, en donde cada nivel contiene clases y métodos con un fin específico

dentro del proceso de localización de los ILS que utilizan la técnica fingerprint. Los

métodos de cada paquete pueden retornar un valor tipo String que puede ser utilizado

por el programador para fines particulares e independientes de los sugeridos en la

utilización de la API o puede utilizar los datos retornados para enviarlos como

parámetros a los métodos necesarios para lograr un proceso de localización correcto

administración entre dispositivos de red. Es parte de la familia de protocolos TCP/IP. SNMP permite a los administradores supervisar el funcionamiento de la red, buscar y resolver sus problemas, y planear su crecimiento. Recuperado de http://es.wikipedia.org/wiki/Simple_Network_Management_Protocol 6 JSON, acrónimo de JavaScript Object Notation, es un formato ligero para el intercambio de datos. JSON es un

subconjunto de la notación literal de objetos de JavaScript que no requiere el uso de XML.. Recuperado de

http://en.wikipedia.org/wiki/JSON 7 ROSpec (Reader Operations Specification) Es el cojunto de especificaciones de operación de un portal RFID que

soporta el protocolo LLRP. Recuperado de http://wiki.rifidi.org/index.php/LLRP_Reader

http://es.wikipedia.org/wiki/Simple_Network_Management_Protocol

http://es.wikipedia.org/wiki/JavaScript

http://es.wikipedia.org/wiki/XML

http://en.wikipedia.org/wiki/JSON

http://wiki.rifidi.org/index.php/LLRP_Reader



utilizando todos los métodos provistos por CHAMAN (ver anexos para la sugerencia de

uso de métodos). En caso de que el programador opte por la última opción deberá

seguir un proceso jerárquico para la instancia de cada una de las clases necesarias

desde la conexión con los dispositivos de localización hasta la consulta a los servicios

de localización.

El proceso jerárquico de instancias de clases involucra todos los paquetes (o capas)

de la API en la siguiente secuencia:

1. Obtener los datos proporcionados por los dispositivos de localización, para este

caso plataformas Smartphone, lectores RFID, AP (WiFi y Bluetooth) y

Marcadores visuales. Para ello se utilizan los métodos del paquete de red que

permiten crear serversockets8 para recibir la información enviada por los

dispositivos por medio del protocolo TCP, estos métodos retornar la

información en crudo enviada por los dispositivos la cual se envía como

parámetro a métodos del paquete encargado de la interpretación.

2. Los métodos localizados en el paquete de interpretación contienen referencias

a clases que permiten decodificar la información recibida en formato JSON y

XML, esta información se encontrará disponible para utilizarla como parámetro

para los métodos de filtrado

3. Los métodos pertenecientes al paquete de filtrado permiten diferenciar el tipo

de información recibida y realizar la acción correspondiente con ella, puede ser

de entrenamiento o de consulta, en ambos casos se utiliza la información

recibida para instanciar los métodos del paquete de procesamiento.

4. Las clases dentro del paquete de procesamiento permiten realizar el proceso

de entrenamiento de radio-mapas o determinar la localización de un objeto o

individuo en base a los datos obtenidos en el proceso de filtrado, estas clases

utilizan de forma implícita clases que permiten la conexión con el repositorio

relacional utilizado por CHAMAN.

5. Los métodos del paquete de conexión con el repositorio relacional permiten la

conexión al manejado de base de datos MySQL™ utilizando para ello la librería

MySQL.JDBC. Estos métodos también permiten iniciar la conexión para

realizar consultas permitiendo la creación de historial de eventos de

localización.

6. Los métodos de servicios permiten retornar la información del historial de

posiciones de usuarios u objetos, solicitadas en los parámetros de instancia de

los métodos.

8 Instancia de una clases de Java.net que permite crear un socket con un número determinado por el

programador el cual se mapeará como un puerto TCP abierto en modo escucha hasta que la instancia sea cancelada por medios de programación.



La figura 10 muestra de forma gráfica el modelo en capas de CHAMAN y la interacción

de cada una de los paquetes que la componen, representadas como capas de un

diagrama modular.

Figura 4.1 Diagrama de funcionalidades de las capas que componen a CHAMAN

4.5 Modelo y arquitectura de la API para servicios de localización en interiores utilizando tecnología Wi-Fi™, Bluetooth, RFID y QRCode.

CHAMAN es una API que contiene métodos utilizados para ofrecer servicio de

localización en interiores basados en la evaluación del contexto de señales de tipo Wi-

Fi™, Bluetooth o RFID utilizando el método fingerprint. Como se describió en el

capítulo 3 el método fingerprint consta de dos etapas: entrenamiento y localización,

CHAMAN contiene clases y métodos abstractos que permiten al programador crear

funciones de entrenamiento y brindar servicios de localización de usuarios u objetos

con interfaces Wi-Fi™, Bluetooth o etiquetados con tags RFID siguiendo los

metodología fingerprint. CHAMAN utiliza un repositorio de datos relacional para

garantizar la persistencia de los datos y poder ofrecer el servicio de consulta de

históricos de localización.

En las siguientes secciones se describe el proceso de localización implementado en

los métodos de la API como también el modelo entidad relación que da forma al

esquema de almacenamiento de datos persistentes utilizado para ofrecer los servicios

de localización en interiores.



4.5.1 Modelo del proceso de localización implementado en la API

El proceso de localización que puede ser implementado mediante el uso de métodos

de la API se puede resumir como un proceso de “obtener-almacenar-comparar”, la

idea es relativamente simple, si se compara con métodos complejos de localización

que utilizan modelos de propagación lineal; este proceso resulta más efectivo en

escenarios complejos. Para implementar la idea “obtener-almacenar-comparar” se

implementó un procesamiento similar a la metodología fingerprint del cual requiere dos

fases para llevar a cabo el proceso de localización. CHAMAN contiene métodos que

permiten realizar la fase previa de entrenamiento del sistema como también la fase de

localización.

El proceso de localización se puede describir de la siguiente forma:

Fase de entrenamiento:

1. Crear un catálogo de áreas de localización, puntos de acceso y portales RFID

para su posterior consulta en la formación del radio-mapa y consulta de

localización de usuarios/objetos.

2. Crear un radio-mapa virtual de las señales captadas en cada una de las zonas

donde se ofrecerá el servicio de localización.

3. Asignar la posición de los lectores o antenas RFID a las zonas de localización

en las que se encuentran físicamente.

Fase de localización:

1. Recibir la información de puntos de acceso y las potencias asignadas a cada

uno de ellos.

2. Iniciar el procesamiento de los datos recibidos buscando (incluyendo un

margen de error en decibelios) mediante algoritmos de localización la zona de

localización en la cual se pueda encontrar el objeto o usuario que ha enviado

la información de puntos de acceso o el portal/antena RFID que leyó por última

vez una etiqueta determinada.

3. Obtener el conjunto de resultados de zonas de localización candidatas

4. Iniciar el proceso de filtrado de zonas candidatas y presentar el resultado

mostrando así la zona de localización en la cual se encuentra el objeto o

usuario que ha solicitado el servicio.

La figura 11 muestra de forma gráfica el proceso de localización en interiores

utilizando las tecnologías Wi-Fi™, Bluetooth y RFID, el cliente que solicita el servicio



de localización se encuentra representado por un dispositivo móvil de tipo Smartphone

con plataforma Android™.

Figura 4.2 Modelo del proceso de localización utilizando el contexto de señales Wi-Fi™ , Bluetooth y RFID

4.5.2 Reglas de inferencia utilizadas por CHAMAN en el proceso de

localización en interiores

Las reglas para determinar la posición de un objeto dentro del área de localización es

la parte fundamental en el proceso de localización, en esta sección se describen las

reglas de inferencia y el algoritmo a seguir para obtener la localización de usuarios y

objetos en base a la lectura de señales IEEE 802.11 y etiquetas RFID.

Las reglas de inferencia que a continuación se describen se implementaran en los

métodos de localización dentro de las clases de la API para servicios de localización.

Definición de términos

Una zona de localización (ZL) es una zona física en la cual se presta el servicio de localización, la zona se encuentra distribuida en celdas que describen una cuadricula. Una celda (C) es el elemento mínimo dentro de la cuadricula que comprende una zona geográfica dentro de la zona donde se prestará el servicio de localización. Una celda entrenada (CE) se encuentra formada por un identificador de celda y un matriz donde se encuentran identificados los puntos de acceso que pueden captarse si



un cliente se posiciona en la celda y la magnitud de la potencia de cada uno de los puntos de acceso. La siguiente tabla representa de forma gráfica una celda entrenada.

Tabla 1 Celda Entrenada

Un Radiomapa (Rm) es el conjunto de CE que describen la zona de localización (ZL). Un paquete enviado por el cliente (PE) se encuentra compuesto por un identificador del cliente que envía el paquete y una matriz en la que se encuentra los identificadores de los puntos de acceso que puede captar en un punto determinado y la magnitud de señal de cada uno de ellos. La siguiente tabla representa de forma gráfica un paquete enviado por el cliente.

Tabla 2 Contenido de paquete de información enviado por el cliente

Una Antena es un componente de un portal RFID que se encuentra conectada a la computadora del portal. La antena es la encargada de enviar la señal de excitación a las etiquetas RFID y se encarga de leer el código EPC emitido por las etiquetas una vez excitadas.

Reglas de inferencia para localización de clientes en base a la lectura de la magnitud

de los puntos de acceso

Si los valores de los elementos descritos en la matriz de un son iguales a los

elementos de la matriz de del RM entonces el usuario se encuentra en la zona

delimitada por . Si de los elementos de la matriz de son un subconjunto de los valores de la matriz del RM entonces el usuario se encuentra en la zona delimitada por .



Si el valor de las magnitudes de señal de los puntos de acceso de la matriz de

tiene un margen de error de ± 4 y son un subconjunto de los valores de la matriz del RM entonces el usuario se encuentra en la zona delimitada por .

Reglas de inferencia para localización de códigos EPC

La función describe la función de lectura de la antena “a” en un tiempo “t”.

La antena se encuentra localizada en una correspondiente a una ZL, la función recibe como parámetro un código EPC identificado por Si y cuando t1 < t2 entonces el objeto marcado

con se encuentra en .

4.6.2 Modelo entidad relación del esquema utilizado para la

persistencia de datos utilizados para el proceso de localización

CHAMAN propone el uso de un repositorio relacional (bitácora o logfile) para

almacenar los eventos de localización, que permitirán posteriormente analizar el

comportamiento de movilidad de los usuarios o incluso se podrían minar patrones de

esta información. El repositorio relacional se encuentra formado por entidades

definidas por atributos reales y particulares de cada entidad, como también una clave

única que permite la identificación de cada instancia en el repositorio (personas y

objetos). La finalidad del repositorio es almacenar el catálogo de zonas de localización

y la relación entre éstas, por ejemplo: el área de localización primer piso puede

estar compuesta en su totalidad por un conjunto de aulas, estas a su vez pueden

estar compuestas por n cuadrantes, de forma tal que se puede establecer una

relación de tipo: el cuadrante m se encuentra en el aula k que a su vez se

encuentra en el piso 1. De igual forma es posible almacenar el histórico de los

eventos de localización solicitados por el ILS.

Los catálogos del repositorio relacional almacenan la información y relación de las

zonas de localización, usuarios, objetos e infraestructura de localización como lo son

puntos de acceso Wi-Fi™, Bluetooth, portales o antenas autónomas RFID.

Las zonas de localización a las cuales se hace mención son las áreas en las que se

prestará el servicio de localización. CHAMAN se diseño para brindar servicios de

localización en interiores de edificios tipo campus (ILS), es por ello que las zonas de

localización propuestas para describir este tipo de escenarios son las siguientes:

campus, edificio, piso (edificios multinivel), zona y celda. Estas zonas se encuentran

relacionadas y contenidas una dentro de la otra de forma tal que el conjunto de zonas

de localización de área pequeña forman una zona de localización de área más grande,

para lograr esto se propusieron las siguientes relaciones: un campus contiene uno o

más edificios, un edificio contiene uno o más pisos, en un piso se encuentran una o



más zonas (lugares funcionales delimitados físicamente por muros, por ejemplo:

habitaciones, pasillos, oficinas,… etc.), a cada zona se le asocia un conjunto de

celdas, de esta forma se definen las zonas de localización embebidas unas dentro de

otras como se aprecia en la figura 12 que describe una formación tipo “Matryoshka9”,

el componente más básico es la celda, un conjunto de celdas se encapsula en la zona,

un conjunto de zonas se encapsula en un piso, y así sucesivamente, hasta conformar

un campus.

Figura 4.3 Definición de zonas utilizando formación “Matryoshka”

Dentro del repositorio relacional existen otros catálogos llamados catálogos de

infraestructura, estos corresponden a las listas de hardware utilizado en el proceso de

localización y su relación con la zona de localización en la que se encuentra. En estos

catálogos es donde se puede almacenar la información de los puntos de acceso (AP)

utilizando su dirección MAC como identificador único para su posterior procesamiento.

De igual forma se permite relacionar un lector RFID a múltiples antenas y estas a una

zona de localización de forma tal que se pueda determinar la zona en la que se

encuentra un usuario u objeto etiquetado con un tag RFID a partir de la antena que ha

realizado la lectura del mismo. La figura 13 muestra el diagrama entidad relación del

esquema del repositorio relacional.

9 La matrioska o muñeca rusa (ruso: Матрёшка /mʌˈtrʲoʂkə/)

son muñecas tradicionales rusas creadas en 1890, cuya originalidad consiste en que se encuentran huecas por dentro, de tal manera que en su interior albergan una nueva muñeca, y ésta a su vez a otra, y ésta a su vez otra, en un número variable que puede ir desde cinco

hasta el número que se desee. Recuperado de http://es.wikipedia.org/wiki/Matrioska

http://es.wikipedia.org/wiki/Mu%C3%B1eca

http://es.wikipedia.org/wiki/Rusia

http://es.wikipedia.org/wiki/1890

http://es.wikipedia.org/wiki/Matrioska



Figura 4.4 Diagrama Entidad - Relación del esquema del repositorio de datos utilizado por CHAMAN



4.6.3 Arquitectura de capas de la API para servicios de localización en

interiores.

Los paquetes que conforman CHAMAN pueden ser representados en un modelo

gráfico para comprender mejor su arquitectura, cada paquete puede ser modelado

como una capa modular y a su vez cada capa puede ser modelada como el conjunto

de interfaces que le permiten al programador la implementación de los métodos de

CHAMAN.

CHAMAN se conforma de seis paquetes que contiene clases, métodos e interfaces

con propósitos diferentes dentro del proceso de localización en interiores, para

referencias gráficas y comodidad de lectura y futuras referencias a la arquitectura de la

API en la figura 14 se propone el uso de un diagrama modular para mostrar el

contenido y las acciones que realizan cada una de las clases que se encuentran en

cada módulo o capa.

Figura 4.5 Diagrama de capas que componen CHAMAN

La figura 14 muestra de forma gráfica la distribución arquitectónica de CHAMAN, en

ella se puede apreciar la composición de la API por medio de capas, cada capa



contiene métodos de tipo interfaz que reciben como parámetros al menos un objeto de

al menos un método de la capa anterior para iniciar su funcionamiento. En la imagen

se muestran en forma de pequeños bloques los servicios que pueden ser llamados por

las interfaces de cada una de las clases en las diversas capas del modelo (o paquetes

de la API).

4.7 Diseño de capas de la API

CHAMAN fue diseñada para soportar el desarrollo de sistemas de localización en

interiores utilizando la técnica fingerprint. Como se describió en capítulos anteriores,

esta técnica de localización necesita ciertas precondiciones para iniciar el proceso de

localización (como la creación de catálogos de zonas de localización y la creación de

un radio-mapa de señales) y ciertos requerimientos en tiempo de ejecución (como

filtrado de información en tiempo real), esta es la razón que justifica la API CHAMAN,

que es un conjunto clases y métodos que permite realizar las tareas necesarias para

completar satisfactoriamente cada una de las etapas del proceso de localización (ILS).

Cada paquete cuenta con métodos de procesamiento “protegidos” y métodos públicos

de tipo interface que utilizan los métodos de procesamiento, de esta forma el

programador sólo necesita hacer una instancia de los métodos de tipo interface.

Tomando en cuenta futuros desarrollos de funcionalidades de la API, el desarrollo

modular de CHAMAN sigue el principio KISS10.

Las siguientes secciones describen la función, clases y métodos contenidos en cada

uno de los paquetes, representados por capas de un modelo modular siguiendo el

modelo gráfico de capas mostrado en la figura 14, que forman CHAMAN, para obtener

más detalles de parámetros de entrada y objetos de retorno de cada método se puede

consultar el anexo 7.3 CHAMAN JavaDoc.

4.7.1 Capa de conexión física

En esta capa se imprentaron las clases y los métodos que permiten la comunicación

con los diferentes dispositivos (hardware) involucrados en el proceso de localización

en interiores, los métodos de las clases de conexión física permiten la creación de

“puertos en modo escucha” utilizando instancias de la clase serversockets que utiliza

el protocolo TCP para crear un canal de comunicación entre las clases de la API y el

hardware de localización. La abstracción de estos métodos permite al programador

crear instancias de puertos abiertos utilizando como parámetro el número de puerto

que se desea usar. De forma similar a la instancia de serversockets se realiza la

comunicación y gestión de portales RFID utilizando el protocolo LLRP. La capa de

conexión física hereda características y métodos de las clases contenidas en la API

10

Este término es un acrónimo que corresponde a la frase en inglés «Mantenlo simple, estúpido» (KeepIt Simple, Stupid). Para evitar ser tosco, el acrónimo se hace corresponder con otras expresiones tales como «Manténgalo breve y simple» («KeepIt Short and Simple») u otras similares, pero que mantienen la misma idea del principio. Recuperado de http://en.wikipedia.org/wiki/KISS_principle

http://en.wikipedia.org/wiki/KISS_principle



ltkjava-1.0.0.6.jar11 que permite la gestión de portales RFID que soporten el protocolo

LLRP, de esta forma CHAMAN ofrece métodos abstractos de comunicación con los

portales RFID haciendo transparente para el programador la configuración de estos.

Dentro de la capa de conexión física también se encuentran los métodos que permiten

iniciar la recepción de paquetes provenientes de dispositivos cliente con interfaz Wi-

Fi™ que se utilizan en el proceso de entrenamiento o que solicitan el servicio de

localización. Lo métodos encargados del procesamiento de las conexiones entre

portales RFID, dispositivos móviles con interfaz Wi-Fi™ y los servicios de localización

ofrecidos por la API se encuentran inaccesibles al programador, para hacer uso de los

servicios que ofrecen los métodos de la capa de conexión física se deben realizar

instancias de los métodos de tipo interfaz. La figura 15 muestra el diagrama de clases

correspondiente a las clases interfaz del paquete (capa) de conexión física.

Figura 4.6 Representación UML de las clases y métodos de tipo interfaz de la clase de conexión física

4.7.1.1 Clase RFIDReaderLLRPConnection

En esta clase se implementaron los métodos que permiten establecer comunicación

con los lectores RFID utilizando el protocolo de comunicación LLRP. Los métodos de

la clase permiten configurar e iniciar el proceso de lectura de eventos captados por los

lectores RFID, el método encargado de esto es startReadEvent. De igual forma se

ofrece un servicio para detener la lectura de los eventos lanzados en el lector RFID

mediante el método stopReadEvent. Ambos métodos retornan datos al servidor que

envió los mensajes de inicio o fin de evento (startReadEvent o stopReadEvent) al

lector RFID. Ambos métodos retornan al host que ha invocado los métodos objetos

serializados de forma tal que pueden ser usados por otros métodos de CHAMAN. La

clase contiene un tercer método que regresa la información de un evento sensado por

el lector en forma de un mensaje con estructura XML.

11

http://sourceforge.net/projects/llrp-toolkit/

http://sourceforge.net/projects/llrp-toolkit/



4.7.1.2 Clase RFIDReaderSMNPConnection

Los métodos de esta clase permiten al programador entablar comunicación con

lectores RFID que permitan ser administrados utilizando el protocolo de red SMNP.

Los métodos contenidos en la clase son similares a los propios de la clase

RFIDReaderLLRPConnection; de igual forma el programador debe crear una instancia

de los métodos de interfaz proporcionando la dirección IP del lector RFID que soporte

el protocolo SMNP. La clase cuenta con métodos que permiten controlar el inicio y fin

de la lectura de eventos en el lector RFID obteniendo de cada una de estas acciones

una cadena “tokenizada” de retorno por parte del lector RFID. La cadena retornada

contiene las especificaciones del evento obtenido por el portal RFID cuyos valores

pueden ser:

En caso de lectura de etiquetas RFID: EPC capturado, fecha del evento y hora

del evento.

En caso de solicitud de inicio de lectura: Fecha y hora de inicio de lectura.

En caso de solicitud de fin de lectura: Fecha y hora de solicitud de lectura

4.7.1.3 Clase WiFiClientConnection

La clase WiFiClienteConnection contiene los métodos que permiten al programador

crear procedimientos que permitan recibir información del contexto de los clientes con

interfaz WiFi™ para determinar su posición dentro de una localidad. Los métodos

permiten la comunicación en dos vías (Full dúplex) entre la aplicación servidora y el

cliente, para ello se debe implementa el método createReceptionSocket que permite

realizar instancias se ServerSockets12 las mismas que permitirán la recepción de

datos por parte de dispositivos móviles, para instanciarlos el programador sólo debe

ingresar como parámetro el número de puerto que se utilizará para recibir la

información de los clientes. El método retorna un objeto que permite acceder

directamente al flujo de datos que llega al puerto.

El método senClientPosition tiene la capacidad de enviar los datos de localización al

cliente, éste establece una comunicación vía protocolo TCP con un cliente

determinado, la identidad del cliente con el cual se desea establecer comunicación se

realiza mediante su dirección IP que debe ser ingresada como parámetro, de igual

forma se debe agregar como parámetro una cadena codificada en formato JSON la

cual contiene los datos de localización del cliente al cual se le notificará su posición.

CHAMAN permite implementar métodos activos de localización de cliente WiFi™, para

ello se implementa el método sedClientinquiry el cual envía una señal para notificar al

cliente que debe enviar la información del contexto de localización en el cual se

encuentra al servidor del cual proviene el mensaje, el método recibe como parámetro

12

http://docs.oracle.com/javase/1.4.2/docs/api/java/net/ServerSocket.html

http://docs.oracle.com/javase/1.4.2/docs/api/java/net/ServerSocket.html



la dirección IP del cliente al cual se le debe solicitar el envío de su contexto de

locación.

4.7.2 Capa de traducción de datos

Dentro del paquete que da forma a la capa de traducción se encuentran las clases que

permiten descifrar los datos en crudo obtenidos de los dispositivos utilizados para el

proceso de localización. Dentro de esta capa se encuentran clases que extienden las

funcionalidades de la API google-gson13 que permite, haciendo uso de “clases de tipo

estructura”14 crear instancias de objetos que pueden ser utilizados para su posterior

procesamiento en el proceso de localización. El proceso de traducción permite crear

instancias de objetos de tipo: solicitud de historial de localización por usuario, solicitud

de historia de localización por zona, solicitud de historial de localización de objeto,

paquete de entrenamiento, solicitud de localización de tipo pasivo de cliente móvil con

interfaz Wi-Fi™.

De igual forma que la traducción de formatos JSON a objetos, la capa de traducción

permite obtener el contenido de las etiquetas de formatos XML con un esquema

previamente establecido, esta función se utiliza para mapear los mensajes ROSPEC

enviados por los lectores RFID utilizando el protocolo LLRP. Los métodos de

traducción y extracción de información permiten al programador obtener los datos de

un evento de lectura de una etiqueta RFID a partir del mensaje ROSPEC enviado por

los lectores RFID o antenas autónomas. Las siguientes líneas muestran un fragmento

de un mensaje ROSPEC utilizado para la comunicación entre métodos de CHAMAN y

los dispositivos lectores de etiquetas RFID.

<?xml version="1.0" encoding="UTF-8"?>

<llrp:ADD_ROSPEC xmlns:llrp="http://www.llrp.org/ltk/schema/core/encoding/xml/1.0"

Version="1" MessageID="4">

<llrp:ROSpec>

<llrp:ROSpecID>1</llrp:ROSpecID>

<llrp:Priority>0</llrp:Priority>

<llrp:CurrentState>Disabled</llrp:CurrentState>

<llrp:ROBoundarySpec>

<llrp:ROSpecStartTrigger>

<llrp:ROSpecStartTriggerType>Null</llrp:ROSpecStartTriggerType>

</llrp:ROSpecStartTrigger>

<llrp:ROSpecStopTrigger>

<llrp:ROSpecStopTriggerType>Null</llrp:ROSpecStopTriggerType>

<llrp:DurationTriggerValue>0</llrp:DurationTriggerValue>

</llrp:ROSpecStopTrigger>

</llrp:ROBoundarySpec>

13

http://code.google.com/p/google-gson/downloads/list 14

Clases utilizadas por CHAMAN para crear instancias de objetos a partir de objetos String en formato JSON. Estas clases solo contienen la instancia de tipos de datos y métodos set() y get(), ver el paquete cenidet.api.indoorlocation.eschema.

http://code.google.com/p/google-gson/downloads/list



<llrp:AISpec>

<llrp:AntennaIDs>0</llrp:AntennaIDs>

<llrp:AISpecStopTrigger>

<llrp:AISpecStopTriggerType>Null</llrp:AISpecStopTriggerType>

<llrp:DurationTrigger>0</llrp:DurationTrigger>

</llrp:AISpecStopTrigger>

<llrp:InventoryParameterSpec>

<llrp:InventoryParameterSpecID>9</llrp:InventoryParameterSpecID>

<llrp:ProtocolID>EPCGlobalClass1Gen2</llrp:ProtocolID>

</llrp:InventoryParameterSpec>

</llrp:AISpec>

<llrp:ROReportSpec>

<llrp:ROReportTrigger>Upon_N_Tags_Or_End_Of_AISpec</llrp:ROReportTrigger>

<llrp:N>1</llrp:N>

<llrp:TagReportContentSelector>

<llrp:EnableROSpecID>1</llrp:EnableROSpecID>

<llrp:EnableSpecIndex>1</llrp:EnableSpecIndex>

<llrp:EnableInventoryParameterSpecID>1</llrp:EnableInventoryParameterSpecID>

<llrp:EnableAntennaID>1</llrp:EnableAntennaID>

<llrp:EnableChannelIndex>1</llrp:EnableChannelIndex>

<llrp:EnablePeakRSSI>1</llrp:EnablePeakRSSI>

<llrp:EnableFirstSeenTimestamp>1</llrp:EnableFirstSeenTimestamp>

<llrp:EnableLastSeenTimestamp>1</llrp:EnableLastSeenTimestamp>

<llrp:EnableTagSeenCount>1</llrp:EnableTagSeenCount>

<llrp:EnableAccessSpecID>1</llrp:EnableAccessSpecID>

<llrp:C1G2EPCMemorySelector>

<llrp:EnableCRC>1</llrp:EnableCRC>

<llrp:EnablePCBits>1</llrp:EnablePCBits>

</llrp:C1G2EPCMemorySelector>

</llrp:TagReportContentSelector>

</llrp:ROReportSpec>

</llrp:ROSpec>

</llrp:ADD_ROSPEC>

La figura 16 muestra el diagrama de clases del paquete de traducción de datos. Estas

clases son las encargadas de “descomponer” los objetos recibidos en objetos de tipo

String accesibles por el programador utilizando métodos “get” y “set”.



Figura 4.7 Diagrama de clases correspondiente a la capa de traducción de datos

4.7.2.1 Clase TranslateRawData

La clase TranslateRawData contiene métodos que permiten obtener de forma granular

cada uno de los elementos que se encuentran en el paquete de

entrenamiento/localización enviado por un cliente móvil o un dispositivo lector RFID

para crear la instancia de radio-mapas. El paquete de entrenamiento se encuentra

codificado en formato JSON y contiene información del contexto de locación de un

dispositivo móvil. Los métodos contenidos en la clase TranlateRawData reciben un

objeto tipo String codificado en formato JSON y retorna la instancia de un objeto de

localización según sea el caso del método utilizado. Las opciones de retorno son:

Objeto de tipo trainingRadioMap si la información es enviada por un

dispositivo móvil que evalúa el contexto de señales Wi-Fi™ en el proceso de

creación de radio-mapas de señales Wi-Fi™.

Objeto de tipo locationPackage si la información es enviada por un

dispositivo móvil que solicita el servicio de localización.

Objeto de tipo ROSPEC_Event si la información es enviada por un lector

RFID

4.7.2.2 Clase trainingRadioMap

Esta clase permite crear objetos que contienen información sobre el contexto de

señales Wi-Fi™ que puede percibir un dispositivo cliente en una zona de localización

determinada, mientras se realiza el proceso de entrenamiento y construcción de radio-

mapas. Lo métodos existentes en la clase permiten al programador (y clases de otras

capas de la API) acceder de forma correcta a los datos de entrenamiento enviados por

el dispositivo cliente entrenador utilizando para esto los métodos “get” que retorna el

valor de los atributos del objeto.

4.7.2.3 Clase locationPackage

Esta clase permite crear objetos que contienen información sobre el contexto de

señales Wi-Fi™ que puede percibir un dispositivo cliente en una zona de localización



determinada en el momento de solicitar activa o proactivamente el servicio de

localización. Los métodos existentes en la clase permiten al programador (y clases de

otras capas de la API) acceder de forma correcta a los datos de entrenamiento

enviados por el dispositivo cliente entrenador utilizando para ellos los métodos “get”

que retorna el valor de los atributos del objeto.

4.7.2.4 Clase ROSPEC_Event

Esta clase permite crear un objeto que contiene la información sobre un evento

serializado en un mensaje ROSPEC enviado por un lector RFID que soporte el

protocolo LLRP. Los métodos “get” de la clase permiten obtener en formato “String” la

información del mensaje ROSPEC para su posterior manipulación por parte del

programador o algún otro método de la API como el motor de localización.

4.7.3 Capa de filtrado de datos

En esta capa se encuentran los métodos encargados de identificar el tipo de

información recibida por los métodos de la capa de conexión física, una vez

identificado el mensaje se traduce por la capa de traducción de datos. Los métodos de

filtrado permiten obtener, según sea el caso, el identificador del portal RFID o de la

antena autónoma, el identificador de un punto de acceso o la sección de radio-mapa

que se debe entrenar con los datos de contexto de señal recibidos. Cabe mencionar

que algunos métodos de filtrado necesitan realizar consultas al repositorio relacional

para comprobar cierta información enviada por parte de los dispositivos utilizados en el

proceso de localización por lo cual algunos métodos de filtrado necesitan recibir un

objeto de tipo conexión con repositorio relacional entre sus parámetros de instancia.

Figura 4.8 Diagrama de clases de la capa de filtrado de datos

+getRFIDReader_DB_Identification(entrada MAC_Address : string) : string

+getAnthena_DB_Identification(entrada RFIDReaderID : string, entrada AnthenaID : string) : string

RFIDIdentification

+getUser_DB_Identification(entrada TAGEPC : string) : string

+getDevice_DB_Identification(entrada MAC_Address : string) : string

+getObject_DB_Identification(entrada TAGEPC : string) : string

PlayersIdentification

+getCell_DB_Identification(entrada X_position : string, entrada Y_postion : string, entrada Floor_number : string) : string

+getQRCode_DB_Identification(entrada QRCodeKey : string) : string

LocationAreaIdentification



4.7.3.1 Clase LocationAreaIdentification

Los métodos de esta reciben como parámetros Strings que contienen descriptores de

contexto de un tipo de tecnología de localización y en base a un proceso de

evaluación de los datos recibidos retorna la posición del dispositivo cliente quien ha

solicitado el servicio de localización y ha enviado su contexto de señales Wi-Fi™ o el

identificador QRCode correspondiente a la zona en la que se encuentra el dispositivo

que ha escaneado el código.

4.7.3.2 Clase RFIDIdentification

Los métodos de esta clase reciben parámetros obtenidos de los mensajes ROSPEC.

Los métodos retornan la identificación de los actores que se encuentren involucrados

en el proceso de localización basado en tecnología RFID como lo es un lector RFID o

una antena autónoma.

4.7.3.3 Clase PlayersIdentiffication

Los métodos de la clase reciben como parámetro el código numérico de identificación

de un usuario, objeto o dispositivo móvil y retornan el nombre identificador asignado al

dispositivo en el repositorio relacional.

4.7.4 Capa de procesamiento de datos

La capa de procesamiento de datos es en la que se encuentran las clases y métodos

correspondientes al paquete de procesamiento de información para la creación de

instancias de radio-mapas o búsqueda de objetos/usuarios (proceso de localización).

Estos métodos implementan los algoritmos de identificación de patrones utilizados

para llevar a cabo el proceso de localización en interiores según la tecnología utilizada

o el proceso de creación de radio-mapas en la fase de entrenamiento.

Para una disposición más ordenada de los métodos y clases la capa de

procesamiento, ésta se divide en subcapas (que arquitectónicamente pueden ser

concebidas como metapaquetes) que realizan una función específica en el proceso de

localización como: creación de radio-mapas de zonas de localización utilizando el

espectro de propagación Wi-Fi™, creación de radio-mapas de zonas de localización

utilizando el espectro de propagación Bluetooth, localización de objetos o individuos

etiquetados con tags RFID pasivos, localización de usuarios a partir de las paquetes

recibidos que contienen el escalar de potencia de los puntos de acceso Wi-Fi™ o

Bluetooth escaneados en una determinada zona.

Las siguientes subsecciones describen el comportamiento de los métodos y procesos

realizados en las clases contenidas dentro de las capas de entrenamiento y

localización. La figura 9 muestra el diagrama de clases de la capa de procesamiento



de datos donde se pueden apreciar las clases “motores” utilizadas para el proceso de

localización y el proceso de entrenamiento.

+getIterationNumber(entrada APList : object) : int

+getSortAPList(entrada APList : object) : object

+getMacrolocation(entrada APList| : object, entrada APpxList : object) : object

+getMicrolocation(entrada CandidatesCellsList : object) : object

WiFiIndoorLocationEngine

+getIterationNumber(entrada APList : object) : int

+getSortAPList(entrada APList : object) : object

+getMacrolocation(entrada APList| : object, entrada APpxList : object) : object

+getMicrolocation(entrada CandidatesCellsList : object) : object

BluetoothiIndoorLocationEngine

+setTagPositionToDB(entrada TagEPC : string, entrada AnthenaID : string)

+getCurrentTagPosition(salida currentTagPosition : string)

+getRFIDReaderZone(entrada ReaderID : string) : string

RFIDIndoorLocationEngine

+getZone(entrada QRCodeKey : string) : string

QRCodeIndoorLocationEngine

+setRadioCellData(entrada Cell_DB_ID : string, entrada AP_DB_ID : string, entrada AP_Px : string)

+getAP_DB_ID(entrada AP_MAC_Address : string) : string

RadiomapTrainingEngine

+queryPerZone(entrada ZoneName : string) : object

+queryPerPerson(entrada PersonID : string) : object

IndoorLocationReports

Figura 4.9 Diagrama de clases de la capa de procesamiento de datos

4.7.4.1 Subcapa de entrenamiento

Las clases y métodos contenidos en la capa de entrenamiento permiten crear

instancias de zonas de localización, las cuales en su conjunto forma el “radio-mapa de

señales electromagnéticas” las cuales pueden tener su origen en frecuencias de tipo

Wi-Fi™ o Bluetooth. Las instancias de zonas de localización creadas en el proceso de

entrenamiento son creadas a partir de la información de contexto de señales enviada

por un dispositivo cliente entrenador.

4.7.4.2 Clase RadiomapTrainingEngine

Los métodos de esta clase son los encargados de crear instancias individuales de una

zona de localización entrenada en base a la información enviada desde el dispositivo

cliente. Para realizar este proceso, el método utiliza un objeto que contiene los

atributos de contexto de señal enviados por el cliente, en este objeto se encuentra la

descripción de la zona en la que se encuentra el cliente (campus, edificio, piso, zona y

coordenadas dentro de un mapa) y el listado de los identificadores de señal y sus

magnitudes correspondientes dentro de arreglos de listas (Objeto de tipo ArrayList

perteneciente a la clase java.util). La estructura del objeto utilizado para instanciar la

información enviada por el cliente se muestra en el siguiente recuadro.

String Campus;

String Edificio;

String Piso;

String Zona;

intcoorX;

String coorY;

List<String>MACWiFi = new ArrayList<String>();

List<String>PxWiFi = new ArrayList<String>();

List<String>MACbluetooth = new ArrayList<String>();

List<String>Pxbluetooth = new ArrayList<String>();



De esta forma los métodos de entrenamiento entrenan en una zona de localización

específica dentro de un radio-mapa a partir de la información recibida, la información

de entrenamiento se almacena permanentemente en el repositorio relacional

mantenido una relación de tipo: zona de localización tiene un punto de acceso con

una potencia determinada en un margen de horario específico. La figura 19(a)

muestra como se encuentran almacenados los datos que componen un radio-mapa

entrenado en el repositorio relacional y en la figura 19(b) la representación gráfica de

los datos de entrenamiento convertidos en un “mapa de calor” representando en tonos

oscuros el lugar donde se encuentra una mejor cobertura de cada punto de acceso, en

los tonos claros las zonas en las que la cobertura es casi nula.

Figura 4.10 (a) radiomapa entrenado vista repositorio relacional, (b) representación gráfica de un radiomapa

entrenado

Una vez completado el proceso de entrenamiento se obtiene de forma relacional en el

repositorio de datos un radio-mapa de señales, en el cual, se basan los métodos de

localización para realizar una estimación de la localización de un individuo u objeto.

4.7.4.3 Subcapa de localización

Los métodos correspondientes a la subcapa de localización contienen la codificación

de los algoritmos utilizados para localizar a un usuario u objeto dentro del área de

localización; implementando tres tipos diferentes de tecnología:

Tecnología de comunicación inalámbrica Wi-Fi™ y Bluetooth.

Tecnología de identificación por radiofrecuencia RFID.

Tecnología de identificación por códigos bidimensionales QRCode.

Los métodos de localización utilizando tecnología Wi-Fi™ y Bluetooth se basan en la

metodología de localización denominada fingerprint, la cual, como se ha mencionado

anteriormente se divide en dos fases: entrenamiento y localización. Las clases y



métodos contenidos en el paquete de localización le permiten al programador ofrecer

servicios de localización.

Las siguientes secciones describen el funcionamiento de las métodos y algoritmos

utilizados en cada una de las subcapas mencionadas anteriormente, cabe mencionar

que para el correcto funcionamiento de los métodos de localización basados en la

evaluación del contexto de señales inalámbricas y la localización basada en la lectura

de etiquetas RFID o códigos bidimensionales QRCode se debe contar con un

repositorio relacional el cual cumpla con el esquema entidad-relación propuesto en el

desarrollo de esta tesis y se encuentre poblado con datos correspondientes a cada

zona de localización e infraestructura del hardware de localización.

Método de localización utilizando contexto de tecnologías Wi-Fi™ y Bluetooth

Los métodos de localización que utilizan el contexto del espectro electromagnético

(dirección MAC como identificador de dispositivos y potencia en escalar positivo de

decibelios15) de las tecnologías Wi-Fi™ y Bluetooth, implementan dos tipos de

algoritmos de localización, los cuales, le permiten al programador obtener dos niveles

de granularidad diferentes, el primero de ellos se denomina microlocalización, en el

cual, se tiene como zona mínima de localización una celda, el proceso de

microlocalización, retorna el conjunto de celdas candidatas en las que se puede

encontrar el dispositivos que ha solicitado el servicio de localización, al enviar los

datos de contexto de señales Wi-Fi™ y Bluetooth que se encuentran a su alcance. El

segundo nivel de granularidad es proporcionado por el servicio de macrolocalización,

el cual, retorna como respuesta la zona de localización en la que se encuentra el

dispositivos que ha solicitado el servicio de localización, la zona retornada es el

resultado de la evaluación del conjunto de celdas candidatas obtenidas en el proceso

de microlocalización.

El método de localización que se implementó en esta tesis evalúa el contexto de las

señales Wi-Fi™, es decir, realiza una comparación de las muestras de magnitud de

potencia de la señal inalámbrica tomadas por el dispositivo móvil, los datos de lectura

incluyen un identificador único, que corresponde a la dirección MAC del punto de

acceso (BSSID) y la magnitud de potencia que se recibió en el momento y lugar en el

cual se realizó la toma de muestras desde un dispositivo móvil. Los algoritmos de

localización codificados en los métodos de la capa de localización inician la búsqueda

de las celdas candidatas, creando conjuntos de soluciones y realizando operaciones

lógicas sobre ellos como la unión, la intersección y el cálculo de cardinalidad, al final

del proceso de localización se obtiene el conjunto de zonas candidatas en las que

puede encontrarse el dispositivo que ha solicitado el servicio de localización.

15

El decibelio (símbolo dB) es la unidad relativa empleada en acústica, electricidad, telecomunicaciones y otras especialidades para expresar la relación entre dos magnitudes: la magnitud que se estudia y una magnitud de referencia. Con mayor frecuencia se emplea para relacionar magnitudes acústicas, pero también es frecuente encontrar medidas en decibelios de otras magnitudes, por ejemplo las eléctricas o las lumínicas. Recuperado de : http://es.wikipedia.org/wiki/Decibelio

http://es.wikipedia.org/wiki/Decibelio



La figura 20 muestra un modelo gráfico por etapas del proceso de localización,

mediante la evaluación del contexto de señales Wi-Fi™ y Bluetooth. En la primera

etapa, es recomendable contar con una correcta distribución de puntos de acceso

dentro del área donde se prestarán los servicios de localización en interiores, la etapa

dos muestra a un dispositivo cliente, en este caso un dispositivo Smartphone

obteniendo la información de los puntos de acceso y de los dispositivos bluetooth

cercanos, una vez que se tienen la muestra de datos se envía al servidor en formato

JSON. En la etapa tres, el servicio de localización hace uso de los métodos de

CHAMAN y el repositorio relacional para proporcionar el nombre o identificador de la

zona de localización en la cual se encuentra el dispositivo móvil Smartphone.

Figura 4.11 Modelo secuencial del proceso de localización utilizando el contexto de tecnologías Wi-Fi™ y

Bluetooth

En los párrafos anteriores se ha descrito de forma general el proceso de localización

en interiores mediante la evaluación de contexto de señales Wi-Fi™ y Bluetooth, en

las siguientes secciones se describirán los algoritmos utilizados en los procesos de

microlocalización y macrolocalización.

Microlocalización

Basados en la información contenida en el repositorio relacional (instancias de radio-

mapas) los algoritmos de localización codificados en los métodos de microlocalización

permiten retornar la celda o las celdas candidatas en las cuales se encuentra el

dispositivo cliente. Para iniciar el proceso de localización se debe contar con

información de contexto de señales Wi-Fi™ y/o Bluetooth enviadas por un dispositivo

cliente. Esta información debe contener al menos un punto de acceso y la magnitud de



señal de éste. La microlocalización se define como un proceso iterativo de evaluación

de magnitudes de señales inalámbricas recibidas, comparándolas con magnitudes de

señales almacenadas en el repositorio relacional, estas señales se registraron en el

proceso de entrenamiento. El conjunto de señales y magnitudes enviadas por el

dispositivo cliente es evaluado y ordenado según la magnitud de la señal en orden

ascendente; se realiza la evaluación de identificador y magnitud de la señal con

magnitud menor sobre el repositorio relacional, esta evaluación retorna un conjunto de

celdas en las cuales la señal y magnitud buscadas aparecen, El conjunto resultante es

el conjunto sobre el cual se realizará la nueva iteración utilizando para la segunda

señal con magnitud mayor del conjunto de señales enviadas por el dispositivo cliente.

El número de iteraciones de comparación realizadas depende de la cardinalidad del

conjunto de señales enviadas por el dispositivo cliente. Al finalizar el proceso iterativo

se obtiene el conjunto de celdas candidatas en las cuales se puede localizar el

dispositivo móvil que ha solicitado el servicio de localización. La figura 21 muestra el

proceso iterativo de filtrado y localización de un dispositivo móvil que envía la

información de cuatro señales diferentes, el primer filtrado de celtas retorna un

conjunto de celdas candidatas en las que se puede encontrar el dispositivo, el

segundo filtrado de celdas toma el conjunto sobre el cual se evalúa la segunda señal y

retorna un nuevo conjunto de celdas candidatas que es utilizado por el tercer filtrado

de celdas el cual determina la posible posición del dispositivo cliente en dos celdas

candidatas (Cc3 y Cc4).

Figura 4.12 Proceso de microlocalización



Macrolocalización

Los métodos contenidos en las clases que definen el proceso de macrolocalización

permiten al programador obtener en base al resultado del proceso de microlocalización

el área de localización de tipo “zona” en la que se encuentra un dispositivo cliente. Los

métodos reciben el conjunto de celdas candidatas en las que puede encontrarse un

dispositivo cliente. Estas son evaluadas y agrupadas en conjuntos según sea la zona a

la cual pertenecen, de esta forma se obtienen diversos conjuntos de zonas candidatas

en las que se puede encontrar el dispositivo cliente, el criterio utilizado para determinar

la zona de localización en la que se encuentra el dispositivo cliente es la cardinalidad

de los conjuntos zonas candidatas; se determina la posición del dispositivo móvil en

aquella zona que se encuentra identificada con el conjunto con mayor cardinalidad de

celdas candidatas. La figura 22 muestra las etapas del proceso de macrolocalización

el cual recibe como entrada un conjunto de celdas candidatas Ccx y proporciona como

salida el área de localización en la cual se encuentra el dispositivo cliente que ha

realizado la solicitud de localización.

Figura 4.13 Proceso de macrolocalización

Localización utilizando contexto de tecnologías RFID o NFC

El proceso de localización en interiores utilizando tecnología RFID o NFC se basa en

la lectura de una etiqueta RFID pasiva por un lector el cual se encuentra asociado a un

área del edificio o instalación de la organización. De esta forma, al ser escaneada una

etiqueta por un lector registrado en el repositorio relacional es posible establecer la

posición del usuario u objeto portador de la etiqueta. Debido a las características

físicas propias de la tecnología RFID el margen de error no es mayor a 1 metro.

Los métodos que formar parte del motor de localización basado en tecnología RFID

utilizan la información enviada por los dispositivos lectores (identificador del lector e

identificador de la etiqueta leída) para determinar la posición del dispositivo cliente u

objeto identificado por una etiqueta RFID. Como precondiciones para el correcto

funcionamiento de estos métodos el repositorio relacional debe contener los registros

de equipos lectores RFID asociados a zonas de localización y códigos de etiquetas

RFID (EPC) asociados a usuarios u objetos, de igual forma, el código obtenido por el

lector al escanear la etiqueta RFID debe existir en el repositorio relacional.



La figura 23 muestra el proceso de localización en interiores utilizando lectores y

etiquetas RFID. La figura describe dos etapas, en la primera, las antenas desplegadas

dentro de las inmediaciones de las instalaciones escanean etiquetas asociadas a

personas y objetos, el código de lectura (EPC) obtenido de cada una de las etiquetas

se utiliza como campo llave para extraer la información asociada a cada uno de estos

del repositorio relacional. Los lectores RFID utilizan mensajes ROSPEC para enviar en

tiempo real información de las etiquetas escaneadas. La etapa dos inicia una vez

recibido el mensaje ROSPEC, éste es filtrado y los datos que lo conforman son

consultados en el repositorio relacional, los métodos del motor de localización RFID

retornan la posición del objeto o usuarios identificado por la etiqueta escaneada cuyo

código identificador (EPC) fue consultado en el repositorio relacional.

Figura 4.14 Proceso de localización utilizando tecnología RFID

Localización utilizando QRCodes

Los métodos del motor de localización basado en el escaneo de códigos QR reciben

como entrada el contenido cifrado dentro de la imagen QRCode, este es consultado en

el repositorio relacional y en caso de encontrar una relación entre contenido de código

y zona esta última es retornada como respuesta del proceso de localización. La figura

24 describe las tres etapas del proceso de localización utilizando códigos QR. En la



primera de ellas un dispositivo con capacidades de lectura de códigos QR debe

escanear la imagen, mediante la cámara digital del dispositivo, localizado dentro de

una zona del edificio, como precondición para el correcto funcionamiento de los

métodos del motor de localización QRCode, el código escaneado debe existir en el

repositorio relacional y debe estar relacionado con al menos una zona de localización.

La segunda etapa consiste en el envío de la información codificada en el código QR a

un servidor de localización. En la tercera etapa se inicia el proceso de localización

realizando una búsqueda en el repositorio relacional y retorna la zona asociada al

contenido del QRCode Recibido.

Figura 4.15 Proceso de localización utilizando la tecnología QRCode.

4.7.4.4 Capa de conexión a repositorios relacionales

Las clases y los métodos contenidos en el paquete que representa esta clase

extienden las funcionalidades de la API MySQL.JDBC16 la cual permite gestionar

conexiones, realizar consultas, inserciones y alterar el contenido de un repositorio

relacional gestionado por un DBMS17correspondiente a una versión 4.5 o superior de

MySQL. Los métodos de conexión a repositorios relacionales de CHAMAN hacen uso

16

http://dev.mysql.com/doc/refman/5.1/en/connector-j.html 17

Data Base Manager System (sistema administrador de base de datos)

http://dev.mysql.com/doc/refman/5.1/en/connector-j.html



de las funcionalidades de MySQL.JDBC para realizar operaciones de consultas y

modificaciones del contenido de forma semitransparente para el programador que los

utilice, el cual únicamente debe invocar los métodos usando como parámetro un objeto

de tipo conexión (el cual contiene la descripción de la ruta de la base de datos, el

nombre de usuario, contraseña y nombre de la tabla que será afectada) y un objeto de

tipo lista con los parámetros que serán insertados o consultados en el repositorio

relacional.

4.7.4.5 Capa de servicios

La capa de servicios contiene métodos que permiten obtener reportes en tiempo real o

históricos de las ubicaciones de usuarios u objetos dentro de las zonas de localización

mapeadas en el repositorio relacional, de igual forma contiene métodos que invocan a

los procesos de localización en interiores de acuerdo a la tecnología utilizada. Los

métodos pueden recibir como parámetros: identificación del usuario, identificación del

objeto o identificador de zona, en cualquier caso los métodos de reporte retornan la

información solicitada en un objeto de tipo reporte, el cual, contiene listas en las que

se encuentra la información de localización solicitada. La información contenida en el

objeto es fácilmente accesible por medio de métodos “get” los cuales retornan el

contenido del atributo en formato String.



4.8 Diagrama de clases

La figura 25 muestra en su totalidad el diagrama de clases correspondiente a la API CHAMAN

Figura 4.16 Diagrama de clases de la API CHAMAN


Capítulo 5 -- Casos de estudio Página 54

Capítulo 5 Casos de estudio



5.1 Introducción

El presente capítulo se muestran las pruebas de asertividad de los algoritmos de

localización en interiores utilizando tecnología Wi-Fi™, Bluetooth y RFID

implementados dentro de la API CHAMAN descrita en el capítulo 4 de este documento

de tesis. Para realizar las pruebas de asertividad se llevaron a cabo 2 desarrollos

paralelos a CHAMAN, uno de ellos es una aplicación servidora (Aplicación del servidor

de localización) desarrollada totalmente en Java SE y ejecutada sobre un servidor

CentOS 5.7, el segundo desarrollo fue una aplicación para dispositivos móviles con

sistema operativo Android® 2.2 o superior, esta última permite al dispositivo obtener el

contexto de señales electromagnéticas de tipo Wi-Fi™ y Bluetooth en el que se

encuentra y enviarlas a la aplicación en el servidor de localización que se encargará,

según sea el caso, de iniciar un entrenamiento de zonas o iniciar el proceso de

localización. Las pruebas de entrenamiento y localización se realizaron en el edificio

del departamento de ciencias de la computación del CENIDET el cual cuenta con dos

plantas, en la planta baja se encuentran los laboratorios y las aulas y en la planta alta

se encuentran las oficinas de profesores y cubículos de estudiantes de doctorado. Las

siguientes secciones muestran el proceso de elaboración de pruebas como también

los resultados obtenidos de ellas.

5.2 Caso de estudio 1: Localización en interiores utilizando

contexto de tecnologías Wi-Fi™ y Bluetooth

El primer caso de estudio se realizó sobre la efectividad del proceso de localización en

interiores evaluando los espectros y magnitudes de señales de tipo Wi-Fi™ y

Bluetooth. Para realizar las pruebas se contó con un arreglo de 7 puntos de acceso

distribuidos de forma aleatoria en el edificio, el sujeto de pruebas y dispositivo móvil

con el cual se realizaron las pruebas de localización fue un teléfono móvil HTC Wildfire

S con sistema operativo Android® 2.3 el cual utilizaba uno de los puntos de acceso del

edificio para establecer comunicación con el servidor de localización.

5.2.1 Descripción del escenario

Como ya se describió y discutió en el capítulo 3 (Estado del arte), existen diversos

métodos de localización en interiores, cada uno de ellos con sus “pros y contras” y

cada uno de ellos con un resultado diferente según el escenario de localización, a

partir de experimentación con tecnología base implementada para localizar a un

usuario u objeto, al tipo de hardware utilizado para llevar a cabo el proceso de

localización, y al análisis de factibilidad para uso del algoritmo de localización en

diversos escenarios, se llegó a la conclusión de implementar un algoritmo basado en

el método de huella de señal (fingerprint-based) , este método se desarrolla en dos

etapas para poder llevar a cabo el proceso de localización. La primera de las etapas

se conoce como fase de entrenamiento o fase Off-line, en ella es necesario realizar un

proceso de mapeo virtual de las señales y sus magnitudes en cada uno de los puntos



del área (instalación o edificio) en donde se ofrecerá el servicio de localización, la

información capturada se almacena en un repositorio relacional, las relaciones entre

las zonas reales y el mapeo virtual de las magnitudes de señal permite crear un mapa

físico del área donde se prestará el servicio de localización, que a su vez se relaciona

un mapa virtual en el cual se refleja la magnitud de potencia o “huella de potencia” de

cada uno de los dispositivos inalámbricos de los cuales se recibió señal. La segunda

etapa es el proceso de localización en sí mismo, el proceso se inicia al recibir un

vector con identificadores de puntos de acceso y un atributo de potencia de señal, el

cual, corresponde a alguna coordenada física dentro del área donde se presta el

servicio de localización, el conjunto de puntos de acceso y sus correspondientes

potencias son los datos de entrada para el algoritmo de localización, el cual, realiza

una búsqueda e inferencia de posibles zonas candidatas, el proceso compara los

datos de entrada del algoritmo con los datos almacenados en el repositorio relacional,

para obtener el área en donde se encuentra el usuario u objeto que ha enviado los

datos de puntos de acceso y potencia.

El escenario en el cual se realizaron las pruebas de efectividad del algoritmo de

localización fue el edificio del departamento de ciencias computacionales, que se

encuentra en el campus “Cerritus” del Centro Nacional de Investigación y Desarrollo

Tecnológico CENIDET (coordenadas longitud: 18° 52' 35.91”, latitud: 99° 13' 10.58") el

cual cuenta con dos plantas, en la planta baja se encuentran tres aulas, dos sanitarios,

un área de servicio técnico y tres laboratorios. En la segunda planta se distribuyen diez

y seis oficinas en las cuales se encuentran los profesores. La figura 26 muestra en

forma de mapa la distribución de espacios arquitectónicos de la planta baja del edificio

del departamento de ciencias computacionales del CENIDET.

Figura 5.1 Mapa de distribución arquitectónica de la planta baja del edificio del departamento de ciencias de

la computación (CENIDET)



5.2.2 Entrenamiento

En la fase de entrenamiento se construye el mapa de señales del área en donde se

prestará el servicio de localización, para realizar el entrenamiento se requiere

información del área en metros cuadrados del edificio, la ubicación de los puntos de

acceso por piso, la cantidad de materiales y su grado de atenuación que debe

atravesar una onda de propagación de señal Wi-Fi™ o Bluetooth, es decir, la magnitud

de cada una de las señales. La evaluación del escenario de localización determinará el

tamaño de la representación virtual de señales sobre el área donde se prestará el

servicio de localización.

Como se ha mencionado en líneas anteriores, la fase de entrenamiento tiene como

resultado una representación relacional entre un área geográfica/arquitectónica

específica y las magnitudes de potencia de cada uno de los puntos de acceso tanto

Wi-Fi o Bluetooth, para almacenar de manera persistente estas relaciones se utiliza un

repositorio relacional (Capítulo 4), el proceso de población de datos y relaciones se

deja a elección del usuario, para fines de pruebas y evaluación como parte

complementaria al proyecto de tesis, se realizó el desarrollo de una aplicación para

dispositivos móviles con sistema operativo Android® que se conecta con el repositorio

relacional para crear las relaciones entre área y magnitudes de potencia. En las

siguientes secciones se describirá el proceso realizado para la creación de un mapa

de relaciones área-potencia y las consideraciones tomadas para su creación.

5.2.2.1 Implementación del método de localización fingerprint

Como ya se ha descrito anteriormente los métodos de localización en interiores

basados en huellas de potencia (fingerprint-based) necesitan un “previo conocimiento”

de la distribución de las potencias de puntos de acceso dentro del área de localización

para llevar a cabo satisfactoriamente el proceso de localización. En esta tesis

proponemos el uso de un repositorio relacional (capítulo 4) en el cual se almacenan

las relaciones entre áreas y las potencias de cada uno de los puntos de acceso dentro

de ellas.

5.2.2.2 Diseño de un “grid” virtual sobre el área de localización

Pruebas preliminares dieron a conocer que el incremento o decremento de magnitud

de potencia dentro de una misma área de localización puede variar de forma

significativa con respecto a la distancia y posición en la que se encuentre el dispositivo

de sensado del medio18 con respecto al punto de acceso, como se muestra en la tabla

1. En base a los resultados de pruebas e implementando la fórmula que describe la

relación de pérdida de potencia en espacios libres (FSL por sus siglas en inglés) como

18

Dispositivo encargado de recolectar los datos de contexto de señal (identificador de punto de acceso y magnitud de potencia correspondiente) en un punto geográfico o distribución arquitectónica determinada



se muestra en la fórmula Eq1 donde d es la distancia con respecto al punto de acceso

y f la frecuencia de propagación de la onda. Se propuso que el área mínima de

localización (celda) debería cubrir aproximadamente dos metros cuadrados, en esta

medida se considera el incremento y decremento de potencia según la distancia con

respecto al punto de acceso y la posible atenuación de ± 4 db por contaminación

electromagnética del medio (tomando la contaminación como una constante con

respecto al tiempo).

Muestra Punto de acceso Distancia en metros con respecto a punto de

acceso Potencia

(db)

1 00:13:46:70:68:d6 13 77 2 00:13:46:70:68:d6 15 81 3 00:13:46:70:68:d6 16 83 4 00:13:46:70:68:d6 17 85

Tabla 3 Tabla de variación de potencia con respecto a la distancia de un punto de acceso determinado

Ecuación para el calculo de perdida de potencia en espacios libres basada en el principio de

Huygens19 donde d es la distancia en metros y f la frecuencia en Hz

En base a la información anterior se dividió la superficies del área de localización

“Planta baja del edificio del departamento de ciencias computacionales” en zonas de

localización según la definición presentada en el capítulo 4. Las zonas se dividieron en

celdas de localización con una superficie de 2 metros cuadrados cada una, formado

así una cuadricula o “grid” virtual sobre el área de localización. La distribución de

zonas y celdas correspondientes a la planta baja del edificio del departamento de

ciencias computacionales del CENIDET se describen en la figura 4, en la cual, cada

pequeño rectángulo de color representa una celda de localización y el conjunto de

celdas de localización de un mismo color limitan el área comprendida por una zona de

localización determinada. La nomenclatura de las celdas corresponde a la relación

entre el nombre del segmento del eje al que corresponde la coordenada en la cual se

encuentra la celda, por ejemplo 5A.

19

El principio de Huygens es un método de análisis aplicado a los problemas de propagación de ondas. Afirma que todo punto de un frente de onda inicial puede considerarse como una fuente de ondas esféricas secundarias que se extienden en todas las direcciones con la misma velocidad, frecuencia y longitud de onda que el frente de onda del que proceden. http://en.wikipedia.org/wiki/Huygens%E2%80%93Fresnel_principle Recuperado el 19 de Febrero del 2012

http://en.wikipedia.org/wiki/Huygens%E2%80%93Fresnel_principle



Coordenada X

12 11 10 9 8 7 6 5 4 3 2 1

Nombre de la zona de localización Símbolo / color

CENIDET.Cerritus.DCC.Aula_1



CENIDET.Cerritus.DCC.Laboratorio_Sistemas_Distribuidos

CENIDET.Cerritus.DCC.Laboratorio_Ingenieria_de_software

CENIDET.Cerritus.DCC.Laboratirio_Inteligencia_Artificial

CENIDET.Cerritus.DCC.Soporte_tecnico

CENIDET.Cerritus.DCC.Sanitarios

CENIDET.Cerritus.DCC.Escaleras_planta_baja

CENIDET.Cerritus.DCC.Entrada_al_edificio

CENIDET.Cerritus.DCC.TragaLuz

A

B

A

C

D

E

F

G

H

I

J

K

Co

or

de

na

da

Y



5.2.2.3 Creación de “radiomapa” de áreas de localización

El proceso inmediato una vez obtenida la distribución virtual de áreas de localización

es la población de datos y relaciones de potencia-zona de localización, a este proceso

de le llama entrenamiento de radiomapa. El radiomapa de cada zona de localización

es la parte fundamental del proceso de localización, es por ello que se deben tomar

ciertas consideraciones al crearlo, todas ellas con respecto a la variación de señal

recibida en un solo punto. La simulación y análisis de un escenario real de localización

arrojaron resultados significativos en el incremento o decremento de la magnitud de

potencia, los atributos evaluados fueron contexto temporal y posición de la toma de

muestra con respecto al punto de acceso. Cabe mencionar que la instancia de

evaluación que aquí se describe tiene como objetivo la localización de dispositivos

móviles con interfaz Wi-Fi™ dentro de un edificio, los dispositivos móviles utilizados

para la evaluación no definen una posición obligatoria (pero si recomendada) para su

uso, razón por la cual, se debe considerar el portador del dispositivo móvil como un

objeto más que puede atenuar la onda de propagación de señal preveniente desde los

puntos de acceso.

El cuerpo humano y sus múltiples variables físicas como peso, masa, índice de grasa

y masa corporal, cantidad de agua y altura representan atributos propios de todos los

portadores de dispositivos móviles y sus magnitudes son tan diversas como cada

usuario de dispositivos móviles, la estrategia implementada para asegurar una mejor

muestra de huella de señal entiende a las siguientes restricciones:

El usuario deberá sujetar el dispositivo móvil como se le indica en el manual de

usuario, respetando la posición de los dedos sobre el dispositivo para evitar en

lo posible atenuación de la interfaz física Wi-Fi® o Bluetooth.

La altura con respecto al suelo a la cual se debe realizar el proceso de

muestras no debe estar fuera del intervalo de 1.10 metros a 1.30 metros.

La toma de muestras por celda se deberá realizar en el centro de la misma y se

deberán realizar 4 instancias de muestras, cada una de ellas girando el cuerpo

y el dispositivo móvil a un punto cardinal diferente.

La tabla 2 muestra la diferencia entre tomas de muestras realizadas en una misma

celda en el proceso de entrenamiento del radio-mapa.

Tabla 4 Muestra del repositorio relacional donde se puede apreciar la variación del campo potencia en un

mismo punto geográfico/arquitectónico



El tráfico de paquetes de datos y solicitudes de acceso al medio en redes

inalámbricas, varía según la hora en la cual se solicite el servicio, este tipo de

escenarios afecta directamente a la magnitud de potencia de una onda de propagación

en un punto determinado, en diferentes intervalos de tiempo se puede dar el caso en

el cual durante las horas en las que se ofrece el servicio de localización la tasa de

incremento o decremento en la magnitud de potencia de los puntos de acceso en

zonas determinadas no sobrepase un valor de ± 4 decibelios, lo cual, no implica un

cambio radical en el proceso de mapeo, sin embargo, se puede dar el caso en el que

las solicitudes de acceso al medio o la gran afluencia de paquetes pueda llegar a

cambiar el atributo de magnitud de potencia en un punto determinado en más de 15

decibelios. Es por esta razón que se realizó el proceso de entrenamiento en tres

intervalos diferentes de tiempo, cada entrenamiento se realizó en la hora más

significativa de cada intervalo, cada intervalo tiene una duración de 8 horas.

Como se ha mencionado en secciones anteriores el proceso de evaluación

corresponde al proceso de localización en interiores de dispositivos móviles portados

por un individuo. El proceso de entrenamiento debe ser realizado con una interfaz Wi-

Fi™ o Bluetooth con características similares a las que portaran los dispositivos que se

pretender localizar.

De manera particular, en este caso de estudio, se utilizaron dispositivos móviles HTC,

el dispositivo utilizado para el proceso de entrenamiento fue una unidad HTC®

Wildfire S (ver especificaciones de hardware en la sección de Anexos 7.2

Especificaciones técnicas ). Para automatizar el proceso de entrenamiento se

desarrolló una aplicación cliente que permite la comunicación con un servidor de

localización, el cual, implementa un conjunto de programas que permiten ofrecer un

servicio de localización en interiores. La aplicación fue desarrollada para plataformas

Android® en sus versiones 2.1 o posteriores. La aplicación inicia al indicarle la

dirección IP o el nombre del dominio en el cual se encuentran el servidor de

localización y el repositorio relacional. La aplicación recibe un paquete en formato

JSON20 el cual contiene el conjunto de catálogos de áreas de localización, estos datos

son mostrados en pantalla y es deber del agenten entrenador seleccionar el área en la

que se encuentra, una vez seleccionada el área se inicia el proceso de escaneo del

contexto de señales inalámbricas, por un periodo de 3 segundos, los datos obtenidos

se convierten a formato JSON y son enviados al repositorio relacional en el cual se

crean instancias de áreas de localización entrenadas. La figura 27 muestra las

pantallas de la aplicación móvil en orden de aparición en el proceso de entrenamiento,

en una secuencia de imágenes de izquierda a derecha, se muestra el proceso en el

cual el agente entrenador podrá seleccionar el edificio, zona y celdas en las que se

encuentra para luego iniciar el proceso de escaneo del contexto y posteriormente

enviar los datos al repositorio relacional.

20

JSON, acrónimo de JavaScript ObjectNotation, es un formato ligero para el intercambio de datos. JSON es un subconjunto de la notación literal de objetos de JavaScript que no requiere el uso de XML. Recuperado el 7 de septiembre del 2011. http://es.wikipedia.org/wiki/JSON

http://es.wikipedia.org/wiki/JSON



Figura 5.2 Secuencia de comunicación de la aplicación cliente con el repositorio relacional en fase de

entrenamiento de radiomapa

Una vez terminado el proceso de entrenamiento se tiene como resultado un radio

mapa entrenado que le permitirá a los algoritmos de localización determinar la posición

de un usuario u objeto según el contexto de señal que perciba en un punto

determinado.

La figura 28 muestra en (a) el contenido de un radio-mapa entrenado en la zona

llamada “Area_traga_luz” en la cual, se muestra en forma de tablas relacionadas la

magnitud de potencia de un punto de acceso determinado en una celda que

corresponde a un área determinada en un piso del edificio , en (b) se muestra una

representación gráfica de la dispersión de la señal de tres puntos de acceso, en la

planta baja de edificio, el degradado de colores muestra la magnitud de las señales de

cada punto de acceso.

Figura 5.3 Muestra de celdas entrenadas en el repositorio relacional (a) y representación gráfica de un

radiomapa entrenado (b)



5.3 Localización en interiores en un medio no controlado

Una vez entrenado el radiomapa es posible inferir la ubicación de un usuario u objeto

en base al contexto de señal que lo rodea. Como se mencionó en el capítulo cuatro en

la sección métodos de localización, el algoritmo de localización propuesto consta de 2

niveles de granularidad llamados Microlocalización y Macrolocalización, en el primero

de ellos el algoritmo de localización permite inferir el conjunto de celdas

(inmediatamente vecinas entre ellas) en las que puede encontrarse la entidad que

solicitó el servicio de localización. El nivel de Macrolocalización determina la zona en

la que se encuentra la entidad que solicitó el servicio de localización.

El handset utilizado para el proceso de localización en esta instancia de evaluación del

algoritmo es una unidad HtcWildfire S (ver descripción en la sección de anexos) que

utiliza una aplicación diseñada para escanear el contexto de señales, encapsular la

información en formato JSON y enviarla al servidor de localización utilizando una

conexión TCP. El proceso de solicitud de localización se realizó siguiendo las mismas

reglas del proceso de entrenamiento prestando especial atención a la forma en la que

se sujeta el dispositivo móvil y su altura con respecto al suelo.

5.3.1 Microlocalización

El proceso de Microlocalización se evaluó con una batería de 70 muestras

correspondientes a la evaluación del proceso en 7 celdas diferentes seleccionadas de

forma aleatoria, en la Figura 29 muestra dentro de un mapa del edificio del

departamento de ciencias computacionales en el cual las figuras rectangulares rojas

marcan las celdas donde se llevó a cabo la solicitud de localización.

Cabe mencionar que todas y cada una de las tomas de muestras descritas en las

siguientes secciones nombradas con la unión de las coordenadas fueron realizadas

por la misma persona asegurando así solo un índice no variable de atenuación por

masa corporal. Las iteraciones del experimento se realizaron repitiendo la altura y

posición del dispositivo móvil cliente en cada una de ellas. El dispositivo móvil siempre

fue el mismo para cada una de las muestras y la disposición de la mano sobre el se

conservó en todos los casos.



Figura 5.4 Celdas evaluadas

Las siguientes tablas muestra los resultados obtenidos en el proceso de evaluación de

cada una de las celdas seleccionadas, los números que aparecen en las columnas

correspondientes al filtrado corresponden al identificador de celda en el repositorio

relacional (ver relaciones en la sección de anexos), al final de cada celda se muestra

un mapa en el cual se señala con una figura de color rojo el punto de evaluación y con

figuras de color naranja los puntos resultantes en el proceso de localización.

Celda J10

La celda J10 se encuentra localizada en la zona de laboratorio de sistemas

distribuidos en el primer piso del edificio del departamento de ciencias

computacionales, se encuentra delimitada por paredes de 2.80 metros compuestas de

hojas de madera compresa y marcos de aluminio, el punto de acceso más cercano es

el localizado en el área de traga luz situado a 2.6 metros sobre el nivel del suelo dentro

de un hexágono de concreto. El centro de la zona del laboratorio de sistemas

distribuidos tiene una separación lineal de 15 metros de línea de vista con respecto a

la localización del punto de acceso más cercano.

La siguiente tabla muestra los resultados de las tomas de muestra realizadas en la

celda J10.

No. Muestra

Puntos de acceso percibidos

Primer filtrado de

celdas

Segundo filtrado de

celdas

Tercer filtrado de celdas

Margen de error

promedio 1 00:50:fc:fc:67:4d : 81

00:02:6f:4e:19:e1 : 87 00:02:72:42:d3:cb :89 00:25:68:e1:28:f3 : 28

∞ 2 00:50:fc:fc:67:4d :81

00:02:6f:4e:19:e1 :87 00:02:72:42:d3:cb :89 00:25:68:e1:28:f3 :28

∞ 3 00:50:fc:fc:67:4d : 73

00:26:5a:09:d4:29 :76 [1, 6, 9, 52, 50, 76, 103, 114,

[103, 116, 125] [125] 4 metros



00:02:6f:4e:19:e1 : 80 00:02:72:42:d3:cb :93 00:25:68:e1:28:f3 : 32

116, 125, 108, 4, 108, 49]

4 00:50:fc:fc:67:4d : 73 00:26:5a:09:d4:29 :76 00:02:6f:4e:19:e1 : 80 00:02:72:42:d3:cb :93 00:25:68:e1:28:f3 : 32

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108, 4]

[103, 116, 125, 103,]

[125] 4 metros

5 00:50:fc:fc:67:4d : 75 00:25:68:e1:28:f3 : 37 00:26:5a:09:d4:29 :74 00:50:fc:fc:67:4d : 78 00:02:6f:4e:19:e1 : 81 00:02:72:42:d3:cb :94 00:25:68:e1:28:f3 : 37

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108]

[103, 116, 125, 103, 116, 125, 103, 116, 125]

[125, 103, 116]

2 metros

6 00:50:fc:fc:67:4d : 75 00:25:68:e1:28:f3 : 37 00:26:5a:09:d4:29 :74 00:50:fc:fc:67:4d : 78 00:02:6f:4e:19:e1 : 81 00:02:72:42:d3:cb :94 00:25:68:e1:28:f3 : 37

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108, 4]

[103, 116, 125, 103, 116, 125, 103, 116, 125]

[116, 125, 103, 116]

2 metros

7 00:50:fc:fc:67:4d : 78 00:25:68:e1:28:f3 : 37 00:26:5a:09:d4:29 :75 00:02:6f:4e:19:e1 : 89 00:25:68:e1:28:f3 : 31

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108, 4]

[103, 116, 125]

[103, 116, 125] 2 metros

8 00:26:5a:09:d4:29 :77 00:02:6f:4e:19:e1 : 80 00:50:fc:fc:67:4d : 83 00:25:68:e1:28:f3 : 35

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108, 4]

[103, 116, 125]

[103, 116, 125] 2 metros

9 00:26:5a:09:d4:29 :77 00:02:6f:4e:19:e1 : 80 00:50:fc:fc:67:4d : 83 00:25:68:e1:28:f3 : 35

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108, 4]

[103, 116, 125]

[103, 116, 125]

2 metros

10 00:50:fc:fc:67:4d : 73 00:26:5a:09:d4:29 :76 00:02:6f:4e:19:e1 : 80 00:02:72:42:d3:cb :93 00:25:68:e1:28:f3 : 32

[1, 6, 9, 52, 50, 76, 103, 114,

116, 125, 108, 4]

[103, 116, 125]

[103, 116, 125]

2 metros

Tabla 4 Resultados de evaluación de ubicación en la celda J10

Margen de error promedio

Precisión de ubicación con radio de 5 metros

Precisión de localización con radio de 3 metros

2.4444444 metros 100 % 100% Tabla 5 Resumen de resultados de evaluación de la celda J10

La figura 30 muestra el conjunto de celdas candidatas obtenidas a partir de la

implementación del algoritmo, el punto rojo muestra la posición en la cual se realizó la

solicitud de localización y los puntos de color naranja muestran las celdas candidatas

obtenidas a partir del algoritmo de localización. Como se puede apreciar, las celdas

resultantes no se encuentran a mayor distancia que 3 celdas de separación del

epicentro de la lectura. La presencia de celdas candidatas en el área de localización

vecina se presentaron debido a la proximidad entre las celdas candidatas y la celda en

la que se solicitó el proceso de localización.



Figura 5.5 celdas candidatas resultantes al implementar el algoritmo de localización en la celda J10

Celda E1

La celda E1 pertenece a la zona de localización área de entrada al edificio en la primer

planta del edificio del departamento de ciencias computacionales, el punto de acceso

más cercano se encuentra en la zona vecina área de tragaluz a 2.6 metros sobre el

nivel del suelo, el área se encuentra rodeada de paredes de concreto y una escalera

del mismo material utilizada para acceder a, o descender de la segunda planta del

edificio.

La siguiente tabla muestra el resultado de la evaluación del algoritmo de localización

en la celda E1. A partir de la primer iteración en la cuarta columna se puede apreciar

la celtas resultantes y su aparición en la mayoría de los resultados de las iteraciones,

esto se debe a que la variación de las magnitudes de señal en esos puntos son

similares

No. Muestra


Primer filtrado de

celdas

Segundo filtrado de

celdas


Margen de error

promedio 1 00:02:6f:4e:19:e1 : 72

00:26:5a:09:d4:29 :75 00:1f:1f:21:ad:a5 : 88 00:02:72:42:d3:cb :95 00:50:fc:fc:67:4d : 94 00:25:68:e1:28:f3 : 68

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67, 3]

3.6 metros

2 00:02:6f:4e:19:e1 : 72 00:26:5a:09:d4:29 :75 00:1f:1f:21:ad:a5 : 88 00:02:72:42:d3:cb :95 00:50:fc:fc:67:4d : 94 00:25:68:e1:28:f3 : 68

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104,

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67]

3.6 metros



113, 126, 127, 106, 107, 2, 3]

3 00:02:6f:4e:19:e1 : 74 00:26:5a:09:d4:29 :76 00:1f:1f:21:ad:a5 : 92 00:25:68:e1:28:f3 : 62

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67]

3.6 metros

4 00:02:6f:4e:19:e1 : 77 00:26:5a:09:d4:29 :78 00:13:46:70:68:d6 :90 00:1f:1f:21:ad:a5 : 91 00:02:72:42:d3:cb :90 00:25:68:e1:28:f3 : 62

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67,]

3.6 metros

5 00:02:6f:4e:19:e1 : 69 00:26:5a:09:d4:29 :76 00:13:46:70:68:d6 :92 00:1f:1f:21:ad:a5 : 88 00:26:5a:1a:10:95 :94 00:25:68:e1:28:f3 : 71

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67,]

3.6 metros

6 00:02:6f:4e:19:e1 : 74 00:26:5a:09:d4:29 :75 00:1f:1f:21:ad:a5 : 89 00:25:68:e1:28:f3 : 69

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67]

3.6 metros

7 00:02:6f:4e:19:e1 : 72 00:26:5a:09:d4:29 :72 00:1f:1f:21:ad:a5 : 88 00:02:72:42:d3:cb :93 00:25:68:e1:28:f3 : 71

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 30, 5, 7, 8]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67] 3.6 metros

8 00:26:5a:09:d4:29 :72 00:02:6f:4e:19:e1 : 75 00:1f:1f:21:ad:a5 : 84 00:19:5b:2c:12:c1 :94 00:13:46:70:68:d6 :95 00:25:68:e1:28:f3 : 62

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67] 3.6 metros

9 00:26:5a:09:d4:29 :72 00:02:6f:4e:19:e1 : 75 00:1f:1f:21:ad:a5 : 84 00:19:5b:2c:12:c1 :94 00:13:46:70:68:d6 :95 00:25:68:e1:28:f3 : 62

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127,

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67] 3.6 metros



106, 107, 2, 3]

10 00:02:6f:4e:19:e1 : 66 00:26:5a:09:d4:29 :73 00:1f:1f:21:ad:a5 : 89 00:13:46:70:68:d6 :91 00:50:fc:fc:67:4d : 97 00:25:68:e1:28:f3 : 63

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[38, 39, 40, 64, 67] 3.6 metros

Tabla 6 Resultados de evaluación de la celda E1

Tabla 7 Resumen de resultados de evaluación de ubicación en la celda E1

La figura 31 muestra las celdas en color naranja las celdas candidatas obtenidas a

partir de la implementación del algoritmo de localización en la celda E1. En la imagen

se puede apreciar una relación de aparición de celdas candidatas sobre una misma

fila en dirección a la localización del punto de acceso. Esto se debe a que no se

encuentra algún obstáculo arquitectónico entre las celdas de la fila E y el foco de la

señal electromagnética más intensa en el punto de solicitud de servicio de localización.

Cabe mencionar que de las 10 muestras solicitadas, solo en dos ocasiones el

dispositivo cliente se encontraba frente al foco de la señal, en el resto de las

iteraciones el dispositivo fue atenuado por el cuerpo del usuario cuando este se

encontraba de espaldas a la fuente o forma ortogonal a ella.

Figura 5.6 celdas resultantes al implementar el algoritmo de localización en la celda E1




3.6 metros 100 % 0%



Celda 7H

La celda 7H se encuentra en el límite entre las zonas área de tragaluz y el laboratorio

de inteligencia artificial, la zona de localización se encuentra en el centro

geográfico/arquitectónico del edificio de ciencias computacionales y con un punto de

acceso dentro de ella situado a 2.6 metros de altura con respecto al suelo.

Los datos de la siguiente tabla fueron obtenidos a partir de la solicitud de localización

realizado en la celda a la que corresponden las coordenadas H7. El experimento se

realizó bajo las mismas condiciones de observación por parte del cliente, sin embargo,

el tráfico de entidades atenuadoras de señales (personas y paquetes desde equipos

portátiles a los puntos de acceso) se incrementó durante la toma de muestras. Se

decidió conservar los resultados a continuación mostrados por la importancia en el

proceso de localización en un medio con tráfico de objetos atenuadores de señal. La

toma de muestras duró 10 minutos, la hora de inicio de toma de muestras fue las 3:08

pm.

No. Muestra


Primer filtrado de

celdas

Segundo filtrado de

celdas


Margen de error

promedio 1 00:02:6f:4e:19:e1 : 66

00:26:5a:09:d4:29 :72 00:02:72:42:d3:cb :89 00:50:fc:fc:67:4d : 91 00:25:68:e1:28:f3 : 48

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104, 113, 3]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92]

4.14 metros

2 00:02:6f:4e:19:e1 : 53 00:26:5a:09:d4:29 :63 00:50:fc:fc:67:4d : 89 00:1f:b3:25:87:b1 :95 00:25:68:e1:28:f3 : 53

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104, 113, 3, 5, 56, 54, 53, 65, 67, 68, 79, 78, 77, 89, 90]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.44 metros

3 00:02:6f:4e:19:e1 : 52 00:26:5a:09:d4:29 :70 00:1f:b3:25:87:b1 :90 00:50:fc:fc:67:4d : 91 00:02:72:42:d3:cb :92 00:1f:1f:21:ad:a5 : 94 00:25:68:e1:28:f3 : 50

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104, 113, 3, 5]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.44 metros

4 00:02:6f:4e:19:e1 : 53 00:26:5a:09:d4:29 :69 00:50:fc:fc:67:4d : 90 00:1f:1f:21:ad:a5 : 88 00:25:68:e1:28:f3 : 61

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104, 113]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.44 metros

5 00:02:6f:4e:19:e1 : 55 00:26:5a:09:d4:29 :68 00:02:72:42:d3:cb :94 00:1f:1f:21:ad:a5 : 94

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80,

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92,

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.44 metros



00:25:68:e1:28:f3 : 55 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107]

101, 102, 104, 113]

6 00:02:6f:4e:19:e1 : 59 00:26:5a:09:d4:29 :69 00:1f:1f:21:ad:a5 : 91 00:50:fc:fc:67:4d : 88 00:02:72:42:d3:cb :93 00:25:68:e1:28:f3 : 57

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.44 metros

7 00:02:6f:4e:19:e1 : 48 00:26:5a:09:d4:29 :67 00:1f:1f:21:ad:a5 : 90 00:1f:b3:25:87:b1 :93 00:02:72:42:d3:cb :93 00:50:fc:fc:67:4d : 89 00:25:68:e1:28:f3 : 50

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92]

4.14 metros

8 00:02:6f:4e:19:e1 : 56 00:26:5a:09:d4:29 :76 00:02:72:42:d3:cb :90 00:25:68:e1:28:f3 : 49

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104, 113]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.14 metros

9 00:26:5a:09:d4:29 :76 00:02:72:42:d3:cb :90 00:02:6f:4e:19:e1 : 54 00:26:5a:09:d4:29 :68 00:25:68:e1:28:f3 : 61

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104, 113]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92, 38, 39, 40]

4.40 metros

10 00:02:6f:4e:19:e1 : 48 00:26:5a:09:d4:29 :67 00:1f:1f:21:ad:a5 : 90 00:1f:b3:25:87:b1 :93 00:02:72:42:d3:cb :93 00:50:fc:fc:67:4d : 89 00:25:68:e1:28:f3 : 50

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107]

[38, 39, 40, 5, 7, 8, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 78, 77, 90, 91, 92, 101, 102, 104]

[56, 55, 54, 53, 64, 65, 67, 68, 78, 77, 90, 91, 92]

4.14 metros

Tabla 6 Resultados de evaluación de la celda 7H




4.33 metros 100 % 0% Tabla 8 Resumen de resultados de evaluación de la celda 7H

La figura 32 muestra el resultado obtenido a partir de la toma de muestras en un lugar

de tráfico de objetos que pueden atenuar señales electromagnéticas en una hora pico.

Si bien se esperaba que por proximidad a los puntos de acceso los resultado



obtenidos en el punto de muestra fuesen los más acertados en la toma de muestras, el

tráfico de objetos dispersó el espectro de celdas candidatas de forma tal que las

coordenadas obtenidas son las mostradas en siguiente figura.

Figura 5.7 Resultado de implementar el algoritmo de localización en la celda H7

Celda 9D

La celda 9D se encuentra flanqueada en dos de sus lados por muros que limitan la

zona de localización Aula 3, el ángulo descrito por la unión de ambas paredes, según

sea la posición del cliente puede absorber o reflejar parte de las ondas

electromagnéticas. La siguiente tabla muestra los resultados obtenidos en la solicitud

del proceso de localización en la celda 9D.

No. Muestra


Primer filtrado de

celdas

Segundo filtrado de

celdas


Margen de error

promedio 1 00:02:6f:4e:19:e1 : 56

00:26:5a:09:d4:29 :78 00:02:72:42:d3:cb :88 00:25:68:e1:28:f3 : 50

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[ 57, 56, 54, ] 3.3333 metros

2 00:02:6f:4e:19:e1 : 63 00:26:5a:09:d4:29 :73 00:02:72:42:d3:cb :84 00:1f:b3:25:87:b1 :92 00:25:68:e1:28:f3 : 46

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[57, 56, 54, 91] 4.5 metros

3 00:02:6f:4e:19:e1 : 70 00:26:5a:09:d4:29 :72 00:02:72:42:d3:cb :76 00:25:68:e1:28:f3 : 44

[[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92,

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106]

[57, 56, 54, 91] 4.5 metros



101, 102, 104, 113, 126, 127, 106, 107]

4 00:02:6f:4e:19:e1 : 70 00:26:5a:09:d4:29 :75 00:02:72:42:d3:cb :80 00:25:68:e1:28:f3 : 60

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107]

[[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3, 38, 39, 40]

[57, 56, 54, 91] 4.5 metros

5 00:02:6f:4e:19:e1 : 74 00:26:5a:09:d4:29 :85 00:02:72:42:d3:cb :83 00:50:fc:fc:67:4d : 91 00:25:68:e1:28:f3 : 47

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[57, 56, 54, 91] 4.5 metros

6 00:02:6f:4e:19:e1 : 75 00:26:5a:09:d4:29 :76 00:02:72:42:d3:cb :89 00:50:fc:fc:67:4d : 94 00:25:68:e1:28:f3 : 55

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[57, 56, 54, 91] 4.5 metros

7 00:26:5a:09:d4:29 :75 00:02:6f:4e:19:e1 : 76 00:02:72:42:d3:cb :89 00:25:68:e1:28:f3 : 42

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[7, 8, 57, 56, 54, 91] 4.8 metros

8 00:02:6f:4e:19:e1 : 69 00:26:5a:09:d4:29 :74 00:02:72:42:d3:cb :91 00:1f:1f:21:ad:a5 : 96 00:50:fc:fc:67:4d : 92

00:25:68:e1:28:f3 : 45

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[8, 57, 56, 54, 91] 4.6 metros

9 00:50:fc:fc:67:4d : 92 00:25:68:e1:28:f3 : 45 00:02:6f:4e:19:e1 : 75 00:26:5a:09:d4:29 :77 00:02:72:42:d3:cb :87 00:25:68:e1:28:f3 : 46

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[57, 56, 54, 91, 7] 4.6 metros

10 00:26:5a:09:d4:29 :75 00:02:6f:4e:19:e1 : 76 00:02:72:42:d3:cb :89 00:25:68:e1:28:f3 : 42

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[38, 39, 7, 8, 57, 56, 54, 51, 61, 80, 75, 91, 102, 126, 106, 2, 3]

[7, 8, 57, 56, 54, 91] 4.8 metros

Tabla 9 Resultados de evaluación de la celda 9D






4.42 metros 100 % 0% Tabla 10 Resumen de resultados de evaluación de la celda 9D

En la figura 33 se puede apreciar las celdas candidatas resultantes de ejecutar el

proceso de localización en la celda 9D, las celdas marcadas en color amarillo

muestran las celdas candidatas a ser una localización del cliente.

Figura 5.8 Resultado de implementar el algoritmo de localización en la celda 9D

Celda 11B

La celda 11B se encuentra dentro de la zona de localización denominada Aula 2. Esta

es el área de localización en el cual la señal de los puntos de acceso de ambos pisos

del edificio es particularmente baja. Al igual que en anteriores tomas de muestra se

siguió un estricto protocolo para la solicitud del servicio de localización en el cual se

tomó en cuenta la altura y la posición del móvil.

No. Muestra


Primer filtrado de

celdas

Segundo filtrado de

celdas


Margen de error

promedio 1 00:02:72:42:d3:cb :62

00:02:6f:4e:19:e1 : 85 00:26:5a:09:d4:29 :86 00:1f:b3:25:87:b1 :91 00:25:68:e1:28:f3 : 68

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3,

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3]

[107] 7 metros



59, 59]

2 00:02:72:42:d3:cb :56 00:26:5a:09:d4:29 :84 00:02:6f:4e:19:e1 : 87 00:26:5a:1a:10:95 :98 00:50:fc:fc:67:4d : 94 00:25:68:e1:28:f3 : 62

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3]

[107, 57, 75, 104, 113]

5 metros

3 00:02:72:42:d3:cb :70 00:26:5a:09:d4:29 :85 00:1f:b3:25:87:b1 :90 00:02:6f:4e:19:e1 : 90 00:1f:1f:21:ad:a5 : 92 00:50:fc:fc:67:4d : 95 00:25:68:e1:28:f3 : 63

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113]

5 metros

4 00:02:6f:4e:19:e1 : 90 00:1f:1f:21:ad:a5 : 92 00:50:fc:fc:67:4d : 95 00:25:68:e1:28:f3 : 63 00:02:72:42:d3:cb :59 00:02:6f:4e:19:e1 : 85 00:1f:b3:25:87:b1 :90 00:26:5a:09:d4:29 :90 00:25:68:e1:28:f3 : 68

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113, 107, 59]

5 .2 metros

5 00:02:72:42:d3:cb :64 00:02:6f:4e:19:e1 : 82 00:26:5a:09:d4:29 :88 00:1f:b3:25:87:b1 :92 00:25:68:e1:28:f3 : 68

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113, 107, 59]

5.2 metros

6 00:26:5a:09:d4:29 :88 00:1f:b3:25:87:b1 :92 00:02:72:42:d3:cb :65 00:02:6f:4e:19:e1 : 83 00:26:5a:09:d4:29 :87 00:1f:1f:21:ad:a5 : 93 00:25:68:e1:28:f3 : 69

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113 59]

5.2 metros

7 00:1f:1f:21:ad:a5 : 93 00:25:68:e1:28:f3 : 69 00:02:72:42:d3:cb :61 00:26:5a:09:d4:29 :83 00:02:6f:4e:19:e1 : 85 00:1f:b3:25:87:b1 :88 00:1f:1f:21:ad:a5 : 94 00:25:68:e1:28:f3 : 80

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113, 59]

5.2 metros

8 00:1f:1f:21:ad:a5 : 94 00:25:68:e1:28:f3 : 80 00:02:72:42:d3:cb :53 00:02:6f:4e:19:e1 : 81 00:1f:b3:25:87:b1 :93 00:26:5a:09:d4:29 :90 00:25:68:e1:28:f3 : 67

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113, 59]

5.2 metros



9 00:26:5a:09:d4:29 :90 00:25:68:e1:28:f3 : 67 00:02:72:42:d3:cb :62 00:02:6f:4e:19:e1 : 80 00:1f:b3:25:87:b1 :88 00:13:46:70:68:d6 :95 00:25:68:e1:28:f3 : 70

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113, 59]

5.2 metros

10 00:02:72:42:d3:cb :70 00:26:5a:09:d4:29 :85 00:1f:b3:25:87:b1 :90 00:02:6f:4e:19:e1 : 90 00:1f:1f:21:ad:a5 : 92 00:50:fc:fc:67:4d : 95 00:25:68:e1:28:f3 : 63

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3, 59]

[38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 57, 75, 104, 127, 59]

[107, 57, 75, 104, 113]

5 metros

Tabla 11 Resultados de evaluación de la celda 11B




5.32 metros 30 % 0% Tabla 12 Resumen de resultados de evaluación de la celda 11B

La figura 34 muestra las celdas candidatas obtenidas a partir del proceso de

localización solicitado en la celda 11B. El resultado mostrado era esperado antes de

iniciar las pruebas, esto se debe a que la zona de localización determinada Aula 2

percibe una pobre calidad de señal de puntos de acceso, el algoritmo mapea las

señales recibidas en puntos donde se ha captado la señal más débil. La debilidad de

señal en la zona de localización llamada Aula 2 se debe a su estructura arquitectónica

y estado de acceso a la zona, es decir, si la puerta de acceso se encuentra abierta o

se encuentra cerrada.




Celda 6B

La celda 6B se encuentra localizada en la zona de localización denominada Aula 1, es

una zona de localización delimitada por 4 paredes y con el único acceso formado por

una puerta. El proceso de localización se realizó con la puerta de acceso cerrada. La

siguiente tabla muestra los resultados obtenidos.

No. Muestra


Primer filtrado de

celdas

Segundo filtrado de

celdas


Margen de error

promedio 1 00:02:6f:4e:19:e1 : 70

00:26:5a:09:d4:29 : 77 00:02:72:42:d3:cb : 77 00:1f:1f:21:ad:a5 : 87 00:1f:b3:25:87:b1 : 96

00:25:68:e1:28:f3 : 56

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107] [53, 107] 5.2 metros

2 00:02:6f:4e:19:e1 : 70 00:02:72:42:d3:cb : 76 00:26:5a:09:d4:29 : 82 00:1f:b3:25:87:b1 : 90 00:1f:1f:21:ad:a5 : 87 00:25:68:e1:28:f3 : 61

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3,]

[53, 107] [53, 107] 9 metros

3 00:02:6f:4e:19:e1 : 69 00:26:5a:09:d4:29 : 75 00:02:72:42:d3:cb : 77 00:1f:b3:25:87:b1 : 89 00:1f:1f:21:ad:a5 : 89 00:50:fc:fc:67:4d : 92 00:25:68:e1:28:f3 : 58

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127,

[53, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3,]

[53, 107] 9 metros



106, 107, 2, 3]

4 00:50:fc:fc:67:4d : 92 00:02:6f:4e:19:e1 : 73 00:26:5a:09:d4:29 : 75 00:1f:1f:21:ad:a5 : 85 00:02:72:42:d3:cb : 84 00:25:68:e1:28:f3 : 82

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107]

[53, 107] 9 metros

5 00:26:5a:09:d4:29 : 78 00:02:6f:4e:19:e1 : 81 00:1f:1f:21:ad:a5 : 84 00:02:72:42:d3:cb : 83 00:26:5a:1a:10:95 : 90 00:1f:b3:25:87:b1 : 90 00:50:fc:fc:67:4d : 90 00:25:68:e1:28:f3 : 65

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[53, 107, 53, 57, 56, 91, 9, 108]

5.2 metros

6 00:26:5a:1a:10:95 : 90 00:1f:b3:25:87:b1 : 90 00:50:fc:fc:67:4d : 90 00:25:68:e1:28:f3 : 65 00:02:6f:4e:19:e1 : 67 00:26:5a:09:d4:29 : 84 00:02:72:42:d3:cb : 81 00:1f:1f:21:ad:a5 : 87 00:25:68:e1:28:f3 : 64

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[ 53, 57, 56, 91, 57, 56,107]

5.3 metros

7 00:02:6f:4e:19:e1 : 76 00:1f:1f:21:ad:a5 : 80 00:02:72:42:d3:cb : 77 00:26:5a:09:d4:29 : 83 00:1f:b3:25:87:b1 : 85 00:25:68:e1:28:f3 : 63

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[107, 53, 57, 56, 91] 5.6 metros

8 00:1f:b3:25:87:b1 : 85 00:25:68:e1:28:f3 : 63 00:02:6f:4e:19:e1 : 70 00:26:5a:09:d4:29 : 77 00:1f:1f:21:ad:a5 : 84 00:02:72:42:d3:cb : 82 00:26:5a:1a:10:95 : 95 00:25:68:e1:28:f3 : 59

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3, 38, 39, 40, 5, 7, 8]

[107, 53, 57, 56, 91] 5.6 metros


[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[53, 107, 53, 57, 56, 91, 9, 108]

5.2 metros


[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[53, 107, 107, 107, 107, 38, 39, 40, 5, 7, 8, 57, 56, 54, 64, 65, 67, 75, 90, 91, 92, 101, 102, 104, 113, 107, 2, 3]

[53, 107, 53, 57, 56, 91, 9, 108]

5.2 metros

Tabla 13 Resultados de evaluación de la celda 6B






5.53 metros 0 % 0% Tabla 14 Resumen de resultados de evaluación de la celda 6B

La figura 35 muestra la dispersión de celdas candidatas obtenías en el proceso de

localización solicitado en la zona de localización llamada Aula 2 en la celda 6B


Celda 8C

La celda 8C se encuentra dentro de la zona de localización llamada Aula 1. Las

muestras en este punto fueron tomadas siguiendo las mismas precauciones tomadas

anteriormente. Este punto tiene una peculiaridad, se encuentra a 3 metros de distancia

en una diagonal de 45º del punto de acceso (AP).

No. Muestra


Primer filtrado de

celdas

Segundo filtrado de

celdas


Margen de error

promedio 1 00:02:6f:4e:19:e1 : 70

00:26:5a:09:d4:29 : 79 00:1f:1f:21:ad:a5 : 84 00:02:72:42:d3:cb : 83 00:25:68:e1:28:f3 : 54

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3]

[57, 80] 5 metros

2 00:02:6f:4e:19:e1 : 70 00:26:5a:09:d4:29 : 76 00:1f:1f:21:ad:a5 : 87

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64,

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38]

[8, 57, 56, 91] 4.6666 metros



00:02:72:42:d3:cb : 84 00:50:fc:fc:67:4d : 90 00:25:68:e1:28:f3 : 47

65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

3 00:02:72:42:d3:cb : 84 00:50:fc:fc:67:4d : 90 00:26:5a:09:d4:29 : 73 00:02:6f:4e:19:e1 : 79 00:1f:1f:21:ad:a5 : 90 00:25:68:e1:28:f3 : 50

[[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 38]

[57, 80, 7, 8, 56, 91] 4.332 metros

4 00:26:5a:09:d4:29 : 76 00:02:6f:4e:19:e1 : 77 00:1f:1f:21:ad:a5 : 86 00:50:fc:fc:67:4d : 92 00:25:68:e1:28:f3 : 52

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 38]

[57, 56, 91, 39, 7, 8, 51, 61, 80, 38, 39]

4.822 metros

5 00:26:5a:09:d4:29 : 74 00:02:6f:4e:19:e1 : 78 00:1f:1f:21:ad:a5 : 87 00:02:72:42:d3:cb : 92 00:50:fc:fc:67:4d : 94 00:25:68:e1:28:f3 : 52

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107]

[57, 56, 91, 39, 51, 61, 80, 38]

4.5553 metros

6 00:02:6f:4e:19:e1 : 69 00:26:5a:09:d4:29 : 77 00:02:72:42:d3:cb : 82 00:1f:1f:21:ad:a5 : 82 00:1f:b3:25:87:b1 : 91 00:25:68:e1:28:f3 : 53

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2,3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3]

[38, 39, 7, 8, 54, 51, 67]

4.612 metros

7 00:02:6f:4e:19:e1 : 69 00:26:5a:09:d4:29 : 81 00:02:72:42:d3:cb : 80 00:1f:1f:21:ad:a5 : 86 00:50:fc:fc:67:4d : 92 00:25:68:e1:28:f3 : 61

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2,3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3]

[38, 39, 7, 80, 54, 51, 67]

4.612 metros

8 00:02:6f:4e:19:e1 : 65 00:26:5a:09:d4:29 : 75 00:1f:1f:21:ad:a5 : 86 00:02:72:42:d3:cb : 86 00:1f:b3:25:87:b1 : 91 00:25:68:e1:28:f3 : 63

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2,3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3]

[38, 39, 7, 8, 54, 51, 67]

4.612 metros

9 00:02:72:42:d3:cb : 84 00:1f:b3:25:87:b1 : 92 00:02:6f:4e:19:e1 : 78 00:26:5a:09:d4:29 : 82 00:1f:1f:21:ad:a5 : 83 00:26:5a:1a:10:95 : 94 00:25:68:e1:28:f3 : 58

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54, 53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126, 127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 38]

[8, 57, 56, 91, 39, 7,54,65]

4.72 metros

10 00:02:72:42:d3:cb : 84 00:1f:b3:25:87:b1 : 92

[38, 39, 40, 5, 7, 8, 57, 56, 55, 54,

[39, 5, 7, 8, 57, 51, 61, 80, 102, 126,

[8, 57, 56, 91, 39, 7,54,65]

4.72 metros



00:02:6f:4e:19:e1 : 78 00:26:5a:09:d4:29 : 82 00:1f:1f:21:ad:a5 : 83 00:26:5a:1a:10:95 : 94 00:25:68:e1:28:f3 : 58

53, 51, 61, 64, 65, 67, 68, 80, 79, 78, 77, 75, 89, 90, 91, 92, 101, 102, 104, 113, 126, 127, 106, 107, 2, 3]

127, 106, 2, 3, 38, 39, 7, 8, 57, 56, 54, 51, 65, 67, 75, 90, 91, 102, 104, 113, 107, 2, 3, 38]

Tabla 15 Resultados de evaluación de la celda 8C




4.02 metros 100 % 0% Tabla 16 Resumen de resultados de evaluación de la celda 8C

La figura 36 muestra el espectro de dispersión de celdas candidatas obtenidas a partir

de la solicitud de localización con un cliente localizado en la celda 8C. Como se puede

apreciar en la imagen el margen promedio de error de la mayor concentración de

celdas candidatas no fue mayor a 2 celdas. La cercanía con el punto de acceso y la

falta de tráfico propiciaron condiciones ideales para obtener los resultados que se

muestran en las tablas anteriores y la siguiente imagen.

Figura 5.11 Resultado de implementar el algoritmo de localización en la celda 8C

Resultados

Las muestras descritas en la sección anterior muestran el grado de asertividad en el

proceso de ubicación de usuario para las celdas seleccionadas, como se puede

apreciar en la tabla de resumen de resultados que se encuentran debajo de las tablas

de muestras de cada instancia de evaluación el margen de error promedio utilizando

únicamente tecnologías Wi-Fi™ para el proceso de localización es de 4.3 metros. La

medida de margen de error se obtuvo calculando la distancia entre la celda en la cual



se realizó la petición de localización y la celda más lejana obtenida del algoritmo de

localización.

Como puede apreciarse en las tablas, el algoritmo de localización retorna un conjunto

de celdas en las cuales es posible que se encuentre el dispositivo que solicitó el

servicio de localización. Es casi imposible (el 45%) asegurar el punto de ubicación del

dispositivo cliente en una sola celda, esto se debe en gran medida al margen de error

permitido en la calibración y entrenamiento del sistema, la falta de un solo atractor21 en

el contexto del sistema y las múltiples variantes físicas del hardware utilizado para

llevar a cabo el proceso de ubicación. El conjunto de celdas resultantes tienden a

describir la vecindad más próxima a la celda tal y como muestra la figura 37 en donde

la celda de color más sólido es la celda donde se encuentra el cliente y las celdas

difuminadas son las celdas vecinas donde el algoritmo de localización ubica al cliente,

un mayor difuminado simboliza una menor posibilidad (pero existente) de ubicación en

esas celdas.

Figura 5.12 Conjunto de celdas candidatas (vecindad) en una zona de localización

La implementación programática del algoritmo dentro de la API retorna el conjunto de

celdas candidatas como un ArrayList de tipo String (ArrayList<String>) el cual contiene

las coordenadas de las celdas candidatas obtenidas por el algoritmo de localización. El

conjunto de celdas obtenidas también es utilizado como datos de entrada para realizar

el proceso de Macrolocalización en el cual se obtiene la zona en la cual se encuentra

el cliente que ha solicitado el servicio de localización.

5.3.2 Macrolocalización

El proceso de Macrolocalización tiene como fin determinar el área de localización a

nivel zona en la cual se encuentra el cliente que ha solicitado el servicio de

localización. El algoritmo utilizado para determinar la zona es un proceso estadístico el

cual se basa el cual recibe como entrada un conjunto de celdas, las agrupa en

conjuntos diferentes según sea la zona a la cual pertenezcan y por último evalúa la

cardinalidad de cada una de las zonas, la zona resultante es aquella de mayor

21

Conjunto al que el sistema evoluciona después de un tiempo suficientemente largo. Para que el conjunto sea un atractor, las trayectorias que le sean suficientemente próximas han de permanecer próximas incluso si son ligeramente perturbadashttp://en.wikipedia.org/wiki/Attractor (Recuperado en Septiembre del 2011)

http://en.wikipedia.org/wiki/Attractor



cardinalidad, en caso de ser más de una se genera como salida un conjunto de zonas

resultantes

Pruebas

El proceso de Macrolocalización se evaluó realizando 10 solicitudes de localización en

puntos aleatorios dentro de una zona de localización, el proceso se llevó a cabo para

todas las zonas de libre circulación en la primer planta del edificio del departamento de

ciencias computacionales, en las siguientes tablas se exponen los resultados

obtenidos en términos de zona de localización calculada en base al algoritmo de

Macrolocalización y la distancia que separa a los centroides22 de la zona donde se

solicitó el servicio de localización y la zona calculada en base al algoritmo de

Macrolocalización.

Zona: Entrada al edificio

No. De muestra

Zona real Zona de localización calculada Distancia

entre zonas

1 Entrada al edificio Area_traga_luz 1

2 Entrada al edificio Entrada_al_edificio 0






8 Entrada al edificio Area_traga_luz,

Entrada_al_edificio 1/0


10 Entrada al edificio Entrada_al_edificio 0 Tabla 17 Tabla de resultados de macrolocalización en zona Entrada al edificio

La figura 38 muestra con un cuadro rojo la zona de localización donde se encontraba

el dispositivo cliente en el momento de realizar la solicitud de localización. Los cuadros

verdes representan la zona de localización en donde el algoritmo de localización ha

determinado que el usuario puede encontrarse.

22

El centroide o baricentro de un objeto X perteneciente a un espacio n-dimensional es la intersección de todos los hiperplanos que dividen a X en dos partes de igual n-volumen con respecto al hiperplano. Informalmente, es el promedio de todos los puntos de X.http://en.wikipedia.org/wiki/Centroid Recuperado en Septiembre del 2011.

Asertividad de ubicación

60%

http://en.wikipedia.org/wiki/Centroid



Figura 5.13 Resultado de la implementación del algoritmo de localización en la zona entrada al edificio

Zona: Laboratorio de Ingeniería de software

No. De muestra


entre zonas

1 Laboratorio IS Escaleras_planta_baja ,

Entrada_al_edificio, Area_de_traga_luz

1

2 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1 3 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1 4 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1 5 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1 6 Laboratorio IS Area_de_tragaluz 1 7 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1 8 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1 9 Laboratorio IS Laboratorio_de_inteligencia_Artificial 1

10 Laboratorio IS Area_de_tragaluz 1 Tabla 18 Tabla de resultados de macrolocalización en zona Laboratorio de ingeniería de software


0%







Figura 5.14 Resultado de la implementación del algoritmo de localización en la zona Laboratorio de Ingenieria

de software

Zona: Laboratorio de inteligencia artificial

No. De muestra


entre zonas

1 Laboratorio IA Area_traga_luz 1

2 Laboratorio IA Laboratorio_de_Inteligencia_Artificial 0



5 Laboratorio IA Laboratorio_de_Inteligencia_Artificial, 0

6 Laboratorio IA Area_traga_luz 1




10 Laboratorio IA Laboratorio_de_Inteligencia_Artificial 0 Tabla 19 Tabla de resultados de macrolocalización en zona Laboratorio de inteligencia artificial


80 %







Figura 5.15 Resultado de la implementación del algoritmo de localización en la zona Laboratorio de

Inteligencia Artificial

Zona: Cubo Central, Traga_luz

No. De muestra


entre zonas

1 Area_de_tragaluz [Aula1_DCC] 1 2 Area_de_tragaluz Area_traga_luz 0 3 Area_de_tragaluz Area_traga_luz 0 4 Area_de_tragaluz Area_traga_luz 0 5 Area_de_tragaluz Area_traga_luz 0 6 Area_de_tragaluz Area_traga_luz 0 7 Area_de_tragaluz Area_traga_luz 0 8 Area_de_tragaluz Laboratorio_de_Inteligencia_Artificial 1 9 Area_de_tragaluz Area_traga_luz 0

10 Area_de_tragaluz Area_traga_luz 0 Tabla 20 Tabla de resultados de macrolocalización en zona Cubo central / Traga Luz


80%







Figura 5.16 Resultado de la implementación del algoritmo de localización en la zona Cubo Central

Zona: Aula 2

No. De muestra

Puntos de acceso recibidos Celdas candidatas Zona resultante

1 Aula 2 Aula3_DCC 1 2 Aula 2 Aula3_DCC 1 3 Aula 2 Aula3_DCC 1 4 Aula 2 Aula3_DCC 1 5 Aula 2 Aula3_DCC 1 6 Aula 2 null ∞

7 Aula 2 Aula3_DCC, Escaleras_planta_baja 1-3

8 Aula 2 Aula3_DCC 1 9 Aula 2 Aula3_DCC 1

10 Aula 2 Aula3_DCC 1 Tabla 21 Tabla de resultados de macrolocalización en zona Aula 2


0%






determinado que el usuario puede encontrarse. En esta ocasión, al igual que en el

escenario de microlocalización, el área de localización Aula 2 presenta escenarios de

intensidades de señal muy débil, es por esta razón que los resultados mostrados en la

siguiente imagen se encuentran tan distantes unos de otros.


Zona: Aula 3

No. De muestra


entre zonas

1 Aula3_DCC Aula3_DCC 0 2 Aula3_DCC Aula3_DCC 0 3 Aula3_DCC Aula3_DCC 0 4 Aula3_DCC null infinita

5 Aula3_DCC [Aula3_DCC, Escaleras_planta_baja,

Laboratorio_de_Inteligencia_Artificial, Laboratorio_de_tecnologias_web]

3

6 Aula3_DCC [Aula3_DCC, Escaleras_planta_baja,

Laboratorio_de_Inteligencia_Artificial, Laboratorio_de_tecnologias_web

3

7 Aula3_DCC Aula3_DCC 0 8 Aula3_DCC Laboratorio_de_Inteligencia_Artificial 3 9 Aula3_DCC Laboratorio_de_tecnologias_web 2



10 Aula3_DCC Laboratorio_de_Inteligencia_Artificial 3 Tabla 22 Tabla de resultados de macrolocalización en zona Aula 3


40 %




determinado que el usuario puede encontrarse. De igual forma que en el Aula 2, la

zona de localización llamada Aula 3 presenta un escenario de baja intensidad de

señal lo que repercute en los resultados mostrados en la siguiente imagen.


Zona: Aula 1

No. De muestra


entre zonas

1 Aula 1 Null infinita

2 Aula 1 Null infinita

3 Aula 1 Aula3_DCC 2


5 Aula 1 Area_traga_luz 1







10 Aula 1 Area_traga_luz 1 Tabla 23 Tabla de resultados de macrolocalización en zona Aula 1


20%






Zona: Laboratorio de sistemas distribuidos

No. De muestra


entre zonas

1 Lab. Sistemas distribuidos

Laboratorio_de_Inteligencia_Artificial 1






Lab. Sistemas distribuidos 0

5 Lab. Sistemas Laboratorio_de_Inteligencia_Artificial 1



distribuidos










Lab. Sistemas distribuidos 0 Tabla 24 Tabla de resultados de macrolocalización en zona Laboratorio de sistemas distribuidos


50 %





Figura 5.20 Resultado de la implementación del algoritmo de localización en la zona Laboratorio de Sistemas

Distribuidos



5.3.3 Resultados

Basados en una evaluación de asertividad de los eventos y tablas mostradas en

secciones anteriores, se puede advertir un ligero margen de error en los resultados de

la implementación de los métodos de localización en interiores utilizando los proceso

de microlocalización y macrolocalización. El “¿Por qué?” de estos resultados se debe,

en cuanto al proceso de microlocalización se refiere, es debido a los cambios radicales

en el medio de evaluación (trafico masivo de datos en los puntos de acceso o trafico

de objetos y/o personas que puedan atenuar la señal a evaluar) que provocan caos en

el los algoritmos de localización y estos a su vez en los métodos programados de

localización en interiores. En cuanto al proceso de macrolocalización, este presenta

cierto margen de error por la evaluación de la posición del usuario cuando este se

encuentra en “celdas frontera” entre una zona de localización y otra. En este caso los

métodos de localización evalúan las intensidades de señal más fuertes y las comparan

con las almacenadas en el repositorio relacional retornando la zona de localización

con mayor número de coincidencias, es por esta razón por la cual el proceso de

macrolocalización determina la posición del cliente que ha solicitado el servicio de

localización en una zona vecina a la zona en la que se encuentra. Se recomienda la

implementación de tecnologías de corto alcance sensibles a la presencia (como RFID

o IR) en este tipo de escenarios para determinar la zona en la que se encuentra el

cliente.

5.4 Caso de estudio 2: Localización en interiores utilizando

contexto de tecnología RFID

Como se describió en el capítulo 2, RFID es una tecnología de identificación por

radiofrecuencia para la cual se necesitan dos partes, un interrogador y un interrogado,

representados a nivel hardware por un lector y un tag activo o pasivo. En el escenario

de pruebas propuesto para la evaluación del algoritmo de localización utilizando

tecnología RFID propuesto en el capítulo 4 se desplegó dentro del edificio del

departamento de ciencias computacionales lectores y antenas Impinj (ver

especificaciones en la sección de anexos) y los usuarios a los cuales se localizará le

fueron asignadas etiquetas RFID pasivas Generación2 (ver especificaciones en la

sección de anexos). En las siguientes secciones se describirá el escenario planteado

para las evaluaciones y los resultados obtenidos.

Una distribución de infraestructura RFID ideal obedecería a colocar al menos 1 antena

lectora RFID en las áreas de entrada y salida de cada área de localización de tipo

zona. En el escenario planteado se utilizaron 2 antenas conectadas a un portal lector

para determinar el ingreso o egreso de un área de localización de tipo zona

(Laboratorio de sistemas distribuidos) y un portal lector con dos antenas para

determinar el nivel del edifico en el cual se encuentra un portador de tags (planta alta o

planta baja). La distribución de la infraestructura RFID dentro del edificio del

departamento de ciencias computacionales se muestra en la figura 46 en donde los



rectángulos verdes con una A denotan la posición de las antenas y los triángulos de

puntas redondeadas representan la amplitud del espectro de cada antena.

Figura 5.21 Distribución de infraestructura RFID en el edificio del DCC

5.4.1 Escenario 1: acceso a una zona de localización

Descripción del escenario

La entidad portadora de tags ingresó y egresó del área de localización delimitada por

la zona Laboratorio de sistemas distribuidos donde se encuentra un portal de

identificación RFID con un arreglo de 2 antenas dispuestas de forma tal que una de

ellas se encuentra dentro de la zona de localización Laboratorio sistemas distribuidos y

otra de ellas en la zona de localización identificada como área de tragaluz de forma tal

que se pueda localizar a una entidad portadora de tags al ingresar al laboratorio de

sistemas distribuidos (localizando a la entidad en la zona laboratorio de sistemas

distribuidos) o egresar de este ( localizando a la entidad en la zona área de tragaluz).

La distribución de las antenas para el escenario planteado se describe en la figura 47.



Figura 5.22 Diagrama de disposición de antenas en escenario de entrada y salida controlado por antenas

RFID

Pruebas

La siguiente tabla muestra los resultados obtenidos de las pruebas de evaluación.

No. De evaluación

Zona real en la que se encuentra el tag

Zona en la cual se localizó el tag

1 Dentro del laboratorio de sistemas

distribuidos Dentro del laboratorio de sistemas

distribuidos

2 Fuera del laboratorio de sistemas

distribuidos (área de tragaluz) Fuera del laboratorio de sistemas

distribuidos (área de tragaluz)






distribuidos



distribuidos






distribuidos






distribuidos



distribuidos (área de tragaluz) Tabla 15 Resultado de localización utilizando tecnología RFID en un escenario de entrada y salida de un área

determinada



5.4.2 Escenario 2: localización en edificio multinivel

Descripción del escenario

Dentro de la distribución de infraestructura RFID en el interior del edificio del

departamento de ciencias computacionales se colocaron 2 antenas en las zonas en la

cual se encuentran las escaleras del edificio que brindan comunicación entre sus dos

plantas, las antenas se colocaron en un lateral de las escaleras que se encuentran en

la planta baja y de análoga forma en la planta superior. Las antenas fueron

configuradas mediante el uso de mensajes ROSPEC para modificar la amplitud del

espectro electromagnético de cada una de ellas de forma tal que el foco descrito por el

espectro cubriera la zona media del área de ingreso a las escaleras en ambas plantas.

Cada antena se encuentra asignada a un área de localización diferente de tipo zona,

estas áreas se pueden encontrar en el catálogo de zonas del repositorio relacional

como: zona_de_escaleras_planta_baja y zonas_de_escaleras_planta_alta. La

disposición del as antenas se muestra en la siguiente figura.

Figura 5.23 Distribución de antenas RFID en la zona de escaleras del edificio del DCC

Pruebas

Las pruebas se realizaron permitiendo la libre circulación de entidades portadoras de

tag por las áreas de localización de tipo zona correspondiente a las escaleras, la

siguiente tabla muestra los resultados obtenidos.

No. De evaluación

Zona real en la que se encuentra el tag

Zona en la cual se localizó el tag

1 zona_de_escaleras_planta_baja zona_de_escaleras_planta_baja

2 zona_de_escaleras_planta_alta zona_de_escaleras_planta_alta










10 zona_de_escaleras_planta_alta zona_de_escaleras_planta_alta Tabla 26 Resultado de localización utilizando tecnología RFID en un escenario de ascenso y descenso en

escaleras

Resultado de pruebas

Como se puede apreciar en las tablas de resultados mostrados la efectividad de

localización de ingreso y egreso a una zona en particular utilizando tecnología RFID es

del 100%, esto se debe en gran medida al acotamiento de las zonas en las cuales se

desplegó la infraestructura RFID. La tecnología RFID tiene un alcance de cobertura no

mayor a 9 metros en la zona de mayor amplitud del espectro de una antena, pero su

precisión de localización es, en casos extremos (gran flujo de etiquetas por el portal),

del 97%; estas dos cualidades hacen a la tecnología RFID una tecnología ideal para

determinar la posición de una entidad etiquetada dentro de un área en base a los

criterios de ingreso y egreso, restringiendo el uso de las antenas únicamente a las

áreas de ingreso o egreso, ajustando la posición y amplitud del espectro de cada una

de las antenas dentro del arreglo de forma que tal que los espectros de cobertura de

las antenas permitan la identificación de una entidad portadora de tags en cualquier

punto del marco dedicado al ingreso o egreso a una zona determinada.


Capítulo 6 -- Conclusiones Página 96

Capítulo 6 Conclusiones



6.1 Conclusiones

Al plantearse la presente tesis como trabajo de investigación se estableció como

objetivo principal el desarrollo métodos de programación para ofrecer servicios de

localización en interiores basados en tecnologías de comunicación inalámbrica como

Wi-Fi™ y Bluetooth, reconocimiento de etiquetas como RFID o NFC o de códigos

bidimensionales QRCode. Los capítulos que componen este documento de tesis

muestran el actual estado de desarrollo de sistemas de localización en interiores y las

técnicas implementadas para sus desarrollo, de la evaluación de estas últimas se

eligió aquella que mostraba resultados más acertados en entornos no controlados y

fue la base para el desarrollo de CHAMAN, una API escrita en java que contiene

métodos que al ser implementados permiten desarrollar software que ofrece servicios

de localización en interiores basado en la evaluación de las magnitudes de señales

electromagnéticas. La descripción de CHAMAN se realizó en el capítulo 5 en el cual se

encuentra una descripción detallada de las funciones de cada una de las clases que

integran la API, así como una descripción de los algoritmos de localización

implementados y codificados en los llamados motores de localización. El capítulo 6

muestra las pruebas realizadas para demostrar el grado de precisión de los algoritmos

desarrollados e implementados en los motores de localización que componen la API

CHAMAN.

De la experiencia obtenida y plasmada en capítulos anteriores me permito presentar

las siguientes conclusiones:

Del conjunto de técnicas de localización en interiores presentadas, la técnica

de localización en interiores más fiable en entornos expuestos a cambios

constantes en distribución de objetos (obstáculos para propagación de

señales), horas pico aleatorias de transmisión de datos y tráfico de objetos

entre emisor y receptor de señal es aquella que basa su resultado en la

comparación de señales a una toma previa de datos. A este tipo de técnicas de

localización se les conoce como fingerprint-based.

Utilizando una técnica de localización fingerprint-based para ofrecer servicios

de localización es necesario contar con al menos 3 radio mapas de las zonas

de localización. Para un resultado más preciso es recomendable obtener 3

diferentes muestras en 3 horarios diferentes cada día y de igual forma obtener

radio mapas por cada día de la semana. De esta forma se realiza una muestra

de datos más confiable. Esto basado en las pruebas mostradas en el capítulo

6, donde se muestra que la magnitud de una señal electromagnética presenta

considerables variaciones en un mismo punto en diferentes horarios del día.

La localización de dispositivos móviles portados por humanos presenta

irregularidades que hace del proceso de estandarización de medidas de

magnitudes un proceso sumamente complicado, esto debido a que el sujeto

(humano) que porta el dispositivo móvil es el principal elemento de atenuación

de señales electromagnéticas. Los atributos de individuo anfitrión, tales como

altura, masa muscular, cantidad de agua en el cuerpo y vestimenta, son los

principales factores que producen un cambio de lectura entre una persona y

otra utilizando el mismo dispositivo móvil en el mismo lugar de lectura.



Se recomienda el uso de diferentes tipos de señales electromagnéticas para

obtener un mayor grado de precisión en el proceso de localización en

interiores. De igual forma es recomendable tomar en cuenta los grados de

precisión que permite establecer la longitud de onda de cada una de las

señales electromagnéticas utilizadas. En un escenario recomendable se

utilizan lectores RFID en puertas de entrada y salida de edificios o áreas

mayores a 60m2, utilizar al menos 3 señales traslapadas de puntos de acceso

Wi-Fi™ dentro de cada área delimitada en su acceso por portales RFID y

dentro del área de cobertura Wi-Fi™ colocar en medida de lo posible un arreglo

de puntos de acceso Bluetooth en cada arista de cada 4 m2.

6.2 Trabajos futuros

Los servicios de localización en interiores implementados por CHAMAN brindan

información que puede complementar la información necesaria para sistemas de

evaluación y/o recomendación contextual brindando el atributo de posición. Los

métodos de localización contenidos en los motores de localización de CHAMAN fueron

programados de forma tal que puede ser importados en cualquier proyecto escrito en

Java SE, Jython o Android, esto permite una gran flexibilidad de implementación en

nuevos proyectos que necesiten un valor para ofrecer algún tipo de servicio

relacionado. En base en lo mencionado anteriormente se pueden vislumbrar dos

ramificaciones de líneas de investigación en las que se puede implementar (y en caso

de ser posible escalar) la API CHAMAN:

Sistemas de navegación en interiores para dispositivos móviles con anotaciones

contextuales, en el cual los métodos contenidos en CHAMAN pueden brindar la

información de posición y motores de evaluación contextual, brindar información

relevante para el usuario, todo esto desplegado en un mapa de navegación y ventanas

de recomendación en un dispositivo móvil. La siguiente imagen muestra un diagrama

de la implementación de CHAMAN con los dos sistemas de recomendación y

visualización mencionados previamente.



Figura 6.1 Diagrama de implementación de CHAMAN y un sistema visor de posición en interiores en un

dispositivo móvil

Implementación de sistemas de localización en interiores que permitan complementar

la información contextual de dispositivos intercomunicados entre sí, para formar una

instancia de la internet de las cosas (internet of things 23) . Implementando CHAMAN ,

fosstrak y Android SDK for Arduino24, es posible desarrollar hardware que permita

sensar el estado de un objeto en particular y, enviar la información de su estado y

posición a un sistema de gestión que permita administrar tal información para ofrecer

recomendaciones contextuales dentro de un escenario.

Figura 6.2 Diagrama de propuesta de implementación e interoperabilidad en el internet de las cosas entre

CHAMAN , fosstrak y hardware Arduino

23

http://www.theinternetofthings.eu/ (Recuperado el 10 de Enero del 2012) 24

http://www.arduino.cc/es/ (Recuperado el 10 de Enero del 2012)

http://www.theinternetofthings.eu/

http://www.arduino.cc/es/



Una de las principales líneas de investigación en la cual es posible implementar tal

solución es el cómputo ubicuo.


Capítulo 7 -- Referencias Página 101

Capítulo 7 Referencias



7. Referencias

[Jekabsons, 2010]

WI-FI Based Indoor Positioning Jēkabsons G., Žuravļovs V. Refining Proceedings of the International Scientific Conference Applied Information and Communication Technologies, Latvia, Jelgava, 22.-23. April, 2010. - pp 87-95.

[Potgantwar, 2009]

Internal Location Based System For Mobile Devices Using Passive RFID And Wireless Technology A.D.Potgantwar, Vijay M.Wadhai International Journal of Computer Science and Information Security, IJCSIS, Vol. 6, No. 3, pp. 153-159, December 2009, USA

[NEODIGIT 2009]

Neodigit.es “Glosario – API”, 2009. Recuperado de http://www.neodigit.es/glosario-internet/api.html en Agosto de 2009.

[Muttitanon, 2007]

An Indoor Positioning System (IPS) using Grid Model Wutjanun Muttitanon and Nitin Kumar Tripathi and Marc Souris, DOAJ-Articles 2007

[Kerry,2008]

IEEEE Standard for Information technology, Telecommunications and information exchange between systems Local and metropolitan area networks specific requirements Stuart J. Kerry, Chair Al Petrick, Vice-Chair, Treasurer and Chair, Task Group mb Harry R. Worstell, Vice-Chair Stephen McCann, Secretary and Chair, Publicity Standing Committee Teik-Kheong Tan, Chair, Wireless Next Generation Standing Committee Terry L. Cole, Technical Editor and Assigned Number Authority

[Ferreira, 2007]

Local positioning system using WiFi networks Pedro Miguel Ferreira Claro, Nuno Borges Carvalho Conftele, 2007

[Bernardos, 2008] Modelo de integración de tecnologías para la provisión de servicios móviles basados en localización y contexto. Ana Bernardos Barbolla. Tesis doctoral. Madrid 2008.

[Atrain, 2006]

Localización y seguimiento de terminales móviles en entornos indoor. J.J. Astrain, J. Villadangos, A. Cordoba II Congreso Iberoamericano sobre Computación Ubicua CICU'06, pgs. 255-262, ISBN: 84-8138-703-7, Alcalá de Henares, Spain, June 2006

[Aguilar , 2007]

A Patient Identification System using RFID and IEEEE 802.11b Wireless Networks Antonio Aguilar Master of Science Thesis Stockholm, Sweden 2007

[Portillo, 2008]

Informe de Vigilancia Tecnológica madrid “Tecnología de identificación por radiofrecuencia (RFID): Aplicaciones en el ámbito de la salud” Javier I. Portillo, Ana Belén Bermejo y Ana M. Bernardos. 2008

[PW1]

http://www.llrp.org/ Consultado el 20 de Enero del 2011

[PW2]

http://www.bluetooth.com/Spanish/Technology/Works/Pages/Data_Transp

http://www.neodigit.es/glosario-internet/api.html%20en%20Agosto%20de%202009

http://www.llrp.org/

http://www.bluetooth.com/Spanish/Technology/Works/Pages/Data_Transport_Architecture.aspx



ort_Architecture.aspx Consultado el 15 de Noviembre del 2010

[Arjona, 2009]

Servicios de localización conscientes del contexto aplicando perfiles de movilidad y tecnologías de localización heterogéneas.

[Papapostolou, 2009]

WIFE: Wireless Indoor Positioning Based on Fingerprint Evaluation. Apostolia Papapostolou, Hakima Chaouchi In Proceedings of Networking'2009. pp.234~247

http://www.bluetooth.com/Spanish/Technology/Works/Pages/Data_Transport_Architecture.aspx

Capítulo 8 Anexos

8.1 Introducción

En el margen de desarrollo de esta tesis se generaron documentos externos a ella tanto por

razones de investigación como por descripción de contenido. Las siguientes secciones

muestran los documentos mencionados anteriormente, en las próximas secciones se pude

encontrar un articulo fruto de una estancia de investigación en la Universidad de Castilla-La

Mancha (España) el cual fue presentado en el congreso internacional RFIDSysTech 2011

realizado en la ciudad de Dresden, Alemania. De igual forma se podrá encontrar las

esepcificaciones técnicas del hardware implementado en las pruebas de localización y por

último una descripción a modo de JavaDoc de las clases y métodos de la API CHAMAN.

8.2 Application to a warehouse environment of a tracking system based on RFID and free software

Application to a warehouse environment of a tracking system based on

RFID and free software

Yris Pastor Miguel1, García Higuera Andrés

2, García Ansola Pablo

2, González Serna

Gabriel1

1 CENIDET, México.

2 Autolog, University Castilla – La Mancha, Spain.

Abstract

This paper presents the modeling and implementation of a tracking and traceability system of products

within a warehouse using RFID, Wi-Fi, Android operating system and the EPC standard to optimize

the storage/retrieval and picking processes. We propose a client-server system architecture. The client

application can obtain the EPC code of an object marked with an RFID tag inside the warehouse and get

the approximate location of the object read by the client application by reading Wi-Fi signals obtained by

the device running the client application. The application server implements an event and location engine

based on the EPCIS Repository application.. The system allows quick and efficient location of products,

while implementing artificial intelligence methods to improve productivity during the picking processes.

1 Introduction

Chaotic warehouses have become a common scenario in which the lack of reliability on product

positioning has resulted in a significant increase in the times required for picking . In scenarios where a

chaotic warehouse management is the only available solution for improving productivity, a new approach

can be the implementation of traceability systems based on RFID technology. By having a traceability

system in pace, a company manager or warehouse manager can get the position and status of any product

in real time [1]. Currently traceability systems are integrated by specific hardware with non-free software,

which usually makes the deployment to become an expensive solution. Past research has lead to the

development of middlewares that manage contextual services based on devices with sensors and active

RFID [2]. Other software solutions offer product localization in real time based active RFID and APIs

like Google Maps, but its operation is limited to outdoor use [3]. In most scenarios, only limited versions

for specific visibility points have been implemented, which means that the current implementations are

not suitable for non-fixed product locations. This paper describes the design and implementation of an

internal traceability system for a chaotic warehouse where specific products are not always located in the

same position.

Our system consists of two applications, a client application that runs on a Tablet with Android operating

system and a server application developed in Java that runs on a Tomcat application server. This server

application extends the EPCIS Repository application capabilities. The client device has been deployed

on a trans-pallet carrying an RFID reader. The client device communicates via Bluetooth with the RFID

reader at the trans-pallet and sends data via HTTP to the warehouse server trough the LAN (Local Area

Network).

For the correct performance of the system, the store must have a network of Wi-Fi access points that will

provide coverage on the warehouse picking area. Every pallet that enters the store has an RFID tag and

the database server must have a map of Wi-Fi signals in the warehouse.

The client application has 2 main activities: storing and picking. The storage process starts when the

trans-pallet loads a pallet. At this point the RFID reader gets the pallet EPC code and sends it to the client

device via bluetooth. The trans-pallet operator places the pallet somewhere in the warehouse (dropping

point), so that the RFID reader stops reading the EPC code of the pallet. The client application obtains the

power-levels of the signals from the different access points captured at that dropping point in the

warehouse and sends the vector with the following information: EPC code, access point MAC, access

point signal strength. This way the server records the pallet storage position for the calculated dropping

point. Picking operations are managed by an event engine that implements artificial intelligence methods.

A Picking operation starts when the event engine sends to the client device the list of objects to collect

and the position of each of the objects. The server starts a process of guided tour through the optimal

route for picking the products in the order list.

The implementation of our system increases the efficiency of management in a chaotic warehouse by

automatically determining and recording the coordinates of each object placed in the warehouse. The

system also includes order management using artificial intelligence techniques to calculate optimal routes

for each order picking; thus reducing time in the picking process. The route is calculated based on the

device's position and the recorded dropping point for the requested pallet. Therefore, the client Graphical

User Interface (GUI) process uses signal traces of Wi-Fi access points to determine the client's position

and provide optimal routes.

The following sections describe the modules that constitute the system. These are classified into modules

contained in the client application and modules contained in the application server. Section four describes

the implementation of the system and some conclusions are finally obtained from the deployment of the

system.

2 Design

In this client-server set-up the client application runs on a tablet with WLAN and Bluetooth interface

under the Android operating system. This client application allows the visualization and description of the

EPC obtained from product tags by the RFID reader. EPC data is sent to the server application to initiate

the necessary resource management. Communication with the server application is achieved by sending

XML files and SOAP objects via HTTP. The use of XML files and SOAP objects derived from the

implementation of the EPCIS Repository application[4], this application derived from the project fosstrak

[4] implements comunication via XML files. The XML used by EPCIS Repository defines an EPCIS

event composed by attributes like time, place where an EPC code has been read and the list of EPCs that

have been read. The Application Server is developed in Java and implements two databases: locationDB

and EPCIS RepositoryDB. These databases allow the managing engine of the application server to know

the position of a client and the tasks each client device must perform. The server application extends all

the features of the free software application EPCIS Repository [9] (capture, query, reports y

subscriptions), while holding a client-server communication via XML or SOAP. This feature allows third-

party applications to interact with our application. Figure 1 shows a diagram with the internal structure of

this application.

Figure 11: modules and communication

diagram

3 Applications modules

The system is composed of individual modules

with specific tasks. Each module communicates

with other modules sending an XML file or the

corresponding parameters. The next sections

describe the modules for client and server

applications.

3.1 Client Application

The client application runs on an operating system Android 2.x. This application has the ability to: get the

flow of data emitted by the Bluetooth RFID reader, get information from the access points around the

Android device and view real-time information sent by the server application. The following subsections

describe the modules of the client application.

3.1.1 Location

This module is responsible for obtaining the track position signal using positioning techniques based on

fingerprint signal comparison [5], which is updated to the application server that can generate a related

event for the client. Location of client devices is based on the corresponding signal traces of the points

where the customer is. A fingerprint is a vector signal composed of the names of access points that can

capture a signal that includes corresponding strengths at that point. For the correct operation of the

location module is necessary realize a training stage. In

the training stage is obtained and stored into the location

database the IEEE 802.11 signal fingerprint of the

warehouse. Figure 2 shows a radio-map formed by the

signal fingerprint captured in the storage area, this is a

graphical representation of signal propagation of the

different access points within the coverage area. Red

areas show high-power intensity of the signal close to

the access points to the WLAN, while yellow areas

represent WLAN poor coverage.

Figure 12: Warehouse radio-map

3.1.2 Communication

Communication modules in this application

allow interaction between a RFID reader with

Bluetooth interface and the application server.

This has been achieved trough the development

of programming methods that allow obtaining

the data flow of the RFID reader, create an

EPCIS event into a XML file and send it to the

server application. Methods of communication

via SOAP objects have been developed to

ensure two-way communication with the server

application. This allows the implementation of

applications that can place queries to the EPCIS

Repository of all client devices within

warehouse areas from enterprise customers

anywhere in the world [6]. Figure 3 shows a

layered model of communications in this

application with the hardware involved and the

EPCIS Repository implementation.

Figure 13: layered model of the communication

3.1.3 Display module

The display module on the client allows graphical displaying of events generated and sent by the server

application. This way the client is informed in real time about each event that takes place and the location

of the objects involved in it.

The main screen of the client application is divided into two sections, the left section shows the

information about the order sent by the event engine.: the order products list, the products were harvested

and the list of products to pick up. The right section shows a map of the warehouse, over the map shows

the route to be followed to make the picking order and position of the pallets that containing products to

be collected. Every time that a product is collected the system updates the display information showing

the new list of products for collecting and the new route to follow.

Figure 14: display module in a tablet

3.2 Application server

The application server is implemented in modules containing the event engine, the required mapping

tools and the report modules. A synchronised operation of all these modules allows reporting location

and additional information about products in real time. The following subsections describe the modules

of the server application.

3.2.1 Mapping

The mapping module is composed of a set of methods to calculate the approximate position of each

customer in the warehouse. The position of the client is calculated in base to the information of the IEEE

802.11 WLANs captured and sent by the client location module. This module sends the positions of each

active client in the warehouse to the event engine. The fingerprint of access points provides information

about the client's position and allows the device to guide customers into the warehouse while doing the

picking process.

3.2.2 Event Engine.

The event engine is responsible for managing the processes followed by products in the distribution

centre. To perform its function, the event engine receives a token from the RFID readers deployed in the

warehouse every time a product performs a process (in, out, store) in the warehouse process cycle. Based

on the status information of the products, the event engine handles an event for each of them (change

position, underwriting, integrating order and picking). Events such as routing and order picking are sent

to the client device.

3.2.3 Reporting

The reporting module obtains in real time the status and position of a product or order status. Position and

ID information are stored into a XML file and sent to the client that requested the report. Implementation

of XML files allows other systems to check the reports generated by our system.

4 Deployment Scenario

Figure 5: network diagram of the deployment

scenario

The scenario where the system has been implemented

is a warehouse that has the following infrastructure:

RFID antennas deployed in the area of product

revenues and expenditures, 4 access points for IEEE

802.11 WLAN,, truck-pallets with an android tablet and

an RFID reader with Bluetooth interface, a database

server and application server. Figure 5 shows a network

diagram of the deployment scenario.

4.1 Implementation

The distribution of the traceability hardware at the

warehouse is the following: the gates by which

products enter o leave the warehouse have 4 RFID

antennas each. These antennas scan the pallets to report

the entry or exit of products. Each storage-keeping-unit

(SKU) – or space to store a pallet -, is identified by a

unic Wi-Fi signal strength that identified the SKU and

the passageway. The locations database contains the relation of spaces allocated to all pallets identified by

their correspondingWi-Fi signal strength . The warehouse has 4 IEEE 802.11 access points that provides

total coverage over the warehouse picking area. Each allocated space for pallets has a signal fingerprint

formed by the magnitude of the signal strength of each access point captured at that point. The location

database contains the relation location-fingerprint assigned spaces around the store.

In implementation sequence, the first step is getting the radio-map and to store the relation signal

strength-location. To achieve this, the client device displays a warehouse map on which draw a grid, each

grid cell corresponds to a location area. The forklift operator roam the store stopping at each cell, using

the touch screen of the android device the forklift operator indicates his location into the grid map of the

warehouse. The location module in the client application obtains the signal fingerprint and together with

the ID of the selected cell trans-pallet operator are sent to the server application

The incoming product is transported to a storage passageway available using a trans-pallet with a

Bluetooth RFID reader placed at the forks of the trans-pallet to scan the RFID tags in the pallets and

an Android tablet running the client application. The client application obtains the pallet identifier using

the RFID reader and the identifier of the cell where the product was deposited based in the comparison of

the signal fingerprint obtained scanning the WLAN, this information is sends via XML to the event

engine. Each client device is connected to the warehouse WLAN.

When a customer places an order, the event engine receives this order and starts the process of resource

management. The event engine gets the availability of products that belong to the order. If there are

enough products to fill the order, the event engine gets the list of available forklifts. The system calculates

the optimal route to pick the order and sends the order and the route to the selected client/trans-pallet.

The client application receives the order and the Tablet screen shows the list of products to pick and the

optimal route on the warehouse map. Whenever a product is obtained, this product disappears from the

list on the Tablet screen.

Once the list of products is obtained, the client receives the delivery order. When the order is delivered,

the forklift becomes available again.

Each order delivered is scanned by RFID portals in the warehouse shipping area and the products deleted

from the list of stocks.

5 Conclusions.

A tracking system has been implemented that optimizes picking time and increases the efficiency in tasks

management inside a chaotic warehouse. The system makes use of common wireless communication

infrastructure (Access Points IEEE 802.11), passive RFID tags and high performance/low-cost

Android devices for low cost implementation. The communication via XML and SOAP allows third-party

applications to interact with our application. The modular programming of the client and server

application allows an easy maintenance and ensure system scalability. An API is developed based on

methods of communication modules in the client application that extends the features of EPCIS

repository for Android OS applications. All these developments are based on free hardware.

Future developments will include the implementation of a NFC and LLRP interaction module.

6 Literature

[1]

XiaohuiZhao ,Chengfei Liu, and Tao Lin, “Enhancing Business Process

Automation by Integrating RFID Data and Events”,

Proceedings of the Confederated International Conferences, CoopIS, DOA, IS,

and ODBASE 2009,Portugal.

[2]

Tomas Sanchez Lopez, Daeyoung Kim, "A Context Middleware Based on

Sensor and RFID Information",Proceedings of the Fifth IEEE International

Conference on Pervasive Computing and Communications Workshops,

PERCOMW '07,2007, USA.

[3]

Loffler, A.; Wissendheit, U.; Gerhauser, H.; Kuznetsova, D.; , "GIDS - A

system for combining RFID-based site information and web-based data for

virtually displaying the location on handheld devices", Institute of Electrical

and Electronics Engineers -IEEE-:

IEEE International Conference on RFID 2008, Las Vegas, USA.

[4] http://www.fosstrak.org/epcis/index.html (2011)

[5]

Jie Yin, Qiang Yang, Learning, “Adaptive Temporal Radio Maps for Signal-

Strength-Based Location Estimation”, IEEE Transactions on Mobile

Computing

, 2008, USA.

http://www.fosstrak.org/epcis/index.html

Andrés García Higuera received his degree in Industrial Engineering for Automation and Electronics at

the Polytechnical University of Madrid in 1991. Previously (since 1987) he already had another degree in Mechanical

Engineering from the University of Córdoba (Spain). In 1999 he obtained his PhD in Robotics and Automation at the

Polytechnical University of Madrid. In 2001 he joined the Automation and Control Group, Institute for

Manufacturing, Department of Engineering, University of Cambridge as Senior Research Associate. During this time

he worked as researcher for the Auto-ID Centre. Founded by Gillette, UPS, P&G and UCC this research initiative

began at the MIT and got together several research centres at a global scale to develop RFID technology solutions

and standards.

Pablo Garcia Ansola received the M.Sc. degree in computer science and the MBA from the

University of Castilla-La Mancha, Spain. He is currently a Research Scientist in the Autolog Labs in the UCLM. He

is also the manager of the Autolog spin-off, called “Securware”, which received several innovation awards like the

IDEA, Innovared or Desafio22. Before joining the UCLM, he was involved in the business intelligent area of the

major Spanish consultancy INDRA, as consultant. His research interests include integration of intelligent Systems in

the SCM and decision making support.

Miguel Angel Yris Pastor received the degree in computer science from Juarez lance university of

Tabasco, México. currently is a researcher and student at Computer Science departament of the national center of

research and technological development (CENIDET) in Cuernavaca Morelos, Mexico.

Juan Gabriel González-Serna. Obtained his B.S. degree in computer systems from the Acapulco

Institute of Technologic (ITA-SEP), México, in 1992, his M.S. degree in computer science from the CENIDET

Mexico, in 1995 and obtained his PhD degree in computer science from the computing research center, National

Polytechnic Institute (CIC-IPN), Mexico, in 2006. He works at CENIDET Computer Science Department as a

researcher and professor, he has been in charge of several research projects on wireless and mobile networks and he

supervises master and PhD theses in the same field. He lectures B.S. courses in ITESM Cuernavaca since 2003 and

graduate courses in CENIDET since 1995. He is a member of the Researchers National System (SNI) since 2000

Capítulo 8 -- Anexos Página 113

8.3 Especificaciones técnicas de instrumentos utilizados en el proceso de localización

8.3.1 Puntos de acceso

Punto de Acceso Linksys WRT54GL

Modelo: WRT54G

Estándares:IEEE 802.3, IEEE 802.3u, IEEE 802.11g, IEEE 802.11b

Canales:

11 canales (EE. UU., Canadá)

13 canales (Europa, Japón)

Puertos/botones:

Internet: Un puerto 10/100 RJ-45

LAN: Cuatro puertos 10/100 RJ-45 conmutados

Un puerto de alimentación

Un botón de reinicio

Un botón SecureEasySetup

Tipo de cables:Tipo CAT 5

Luces: Alimentación, DMZ, WLAN, LAN (1, 2, 3, 4), Internet, SecureEasySetup

Potencia de salida de radiofrecuencia: 18 dBm

Cert./compat. UPnP: Compatible

Funciones de seguridad: Firewall con inspección exhaustiva de paquetes (SPI), directiva de

Internet

Seguridad inalámbrica: Wi-Fi Protected Access™ 2 o WPA2; (acceso Wi-Fi protegido 2), WEP,

filtrado de direcciones MAC inalámbrico.


Punto de Acceso Linksys WRT120N

Modelo: WRT120N

Estándares: IEEE 802.3u, 802.11g, 802.11b, versión 802.11n

Luces: Alimentación, Internet, Conexión inalámbrica, Wi-Fi Protected Setup™ (Configuración Wi-Fi

protegida), Ethernet (1-4)

Puertos: Internet, Ethernet (1-4), alimentación

Botones: Reinicio, Wi-Fi Protected Setup™ (Configuración Wi-Fi protegida)

Tipo de cableado: Cat 5

Número de antenas: 2 (internas)

Modulaciones: 802.11b: CCK/QPSK, BPSK

802.11g: OFDM/BPSK, QPSK, 16-QAM, 64-QAM

802.11n: OFDM/BPSK, QPSK, 16-QAM, 64-QAM

Potencia transmitida en dBm:802.11b: 16,5 ± 1,5 dBm (habitualmente)

802.11g: 13,5 ± 1,5 dBm (habitualmente)

802.11n: 13,5 ± 1,5 dBm (habitualmente)

Sensibilidad de recepción en dBm:-94 dBm (habitualmente) a 1 Mbps

-90 dBm (habitualmente) a 11 Mbps

-75 dBm (habitualmente) a 54 Mbps

Ganancia de la antena en dBi: 2,0 (máx.)

Cert./compat. UPnP: Compatible

Seguridad inalámbrica: Wi-Fi Protected Access™ 2 o WPA2; (acceso Wi-Fi protegido 2), WEP,

filtrado de direcciones MAC inalámbrico

Bits de clave de seguridad:Encriptación de hasta 128 bits


Punto de Acceso DLink 2440t

ESTÁNDARES

IEEE 802.11n (draft 2.0)

IEEE 802.11g/b

Support Full/Half Duplex operations

Support Auto Negotiation

HARDWARE

SDRAM: 8 MB

Flash: 2MB

PUERTOS

4 Puertos LAN 10/100 Mbps Fast Ethernet MDI/MDIX

1 Puerto WAN 10/100 Mbps Fast Ethernet MDI/MDIX (Soporta Dirección IP estática, DHCP Client,

PPPoE, PPTP, L2TP, IPSec, VPN Pass through)

Botón Reset

Conector Energía

ANTENA

1 Antena Fija tipo dipolo

Ganancia: 5 dBi

ESTÁNDAR IEEE802.11B

Modulación:

DQPSK

DBPSK

CCK

Frecuencia:

2400 a 2483.5 MHz ISM band

Número de Canales:

11 Canales FCC


13 Canales Europa

Data Rate:

11, 5.5, 2, 1 Mbps

Media Access Protocol:

CSMA/CA con ACK

Potencia de Transmisión:

17 dBm at 11, 5.5, 2 y 1 Mbps

Sensibilidad de Recepción:

-79 dBm for 11Mbps

–82 dBm for 5.5Mbps

–84 dBm for 2Mbps

–86 dBm for 1Mbps

ESTÁNDAR IEEE802.11G

Modulación:

BPSK

QPSK

16QAM

64QAM

OFDM

Frecuencia:

2400 a 2483.5 MHz ISM band

Data Rate:

54, 48, 36, 24, 18, 12, 9 y 6 Mbps

Media Access Protocol:

CSMA/CA con ACK

Potencia de Transmisión:

14 dBm at 54, 48 Mbps



16 dBm at 9, 6 Mbps

Sensibilidad de Recepción:

–65 dBm at 54Mbps

–66 dBm at 48Mbps

–70 dBm at 36Mbps

–74 dBm at 24Mbps

–77 dBm at 18Mbps

–79 dBm at 12Mbps

–81 dBm at 9Mbps

–82 dBm at 6Mbps


8.3.2 Portal RFID

Lector RFID Impinj Speedway

Air Interface Protocol EPCglobal UHF Class 1 Gen 2 / ISO 18000-6C

Performance Includes all possible performance configurations and

functionality to deliver peak performance for even the

most challenging of applications

Supported Regions and

Geographies US, Canada, and other regions following US FCC Part

15 regulations

Europe and other regions following ETSI EN 302 208

v1.2.1 without LBT regulations

Australia, Brazil, China, India, Japan, Korea, New

Zealand, Singapore, South Africa, Taiwan, Uruguay

Pending regulatory approval—Hong

Kong, Malaysia, Thailand, and Vietnam

Antennas 4 high performance, monostatic antenna ports optimized

for Impinj reader antennas (RP TNC)

Transmit Power +10.0 to +30.0 dBm (PoE)

+10.0 to +32.5 dBm1 (external universal power

supply)

Note 1: Speedway Revolution requires professional

installation, may only be operated with Impinj-approved

antennas, and can radiate no more than 36 dBm EIRP

per FCC Part 15.247 regulations. Other regulatory

regions have similar restrictions. Consult the Installation

and Operations Guide to learn more.

Max Receive Sensitivity -82 dBm

Max Return Loss 10 dB

Application Interface EPCglobal Low Level Reader Protocol (LLRP) v1.0.1

Network Connectivity 10/100BASE-T auto-negotiate (full/half) with auto-

sensing MDI/MDX for auto-crossover (RJ-45)

Cellular Connectivity* Sierra Wireless AirLink PinPoint XT (CDMA or GSM

connectivity with GPS data)


Sierra Wireless AirLink Raven XT (CDMA or GSM

connectivity)

(* Available through Impinj-authorized partners)

IP Address Configuration DHCP, Static, or Link local Addressing (LLA) with

Multicast DNS (mDNS)

Time Sychronization Network Time Protocol (NTP)

Management Interfaces Impinj Web Management UI

Impinj RShell Management Console using serial

management console port, telnet or SSH

SNMPv2 MIBII

EPCglobal Reader Management v1.0.1

Syslog

Reliable Firmware Upgrade Dual image partitions enable smooth transition to

new firmware while the reader is still operating

Scalable upgrade mechanism enabling simultaneous

scheduled upgrades of multiple reader

USB Flash Drive

Impinj Web Management UI

Management Console

RS-232 using a standard Cisco-style management

Cable (DB-9 to RJ-45)

Baud rate: 115200; Data: 8 bit; Parity: none; Stop:

1 bit; Flow control: none

USB USB 1.1 Device (Type B) and Host (Type A) ports

USB Virtual COM Serial Port and USB drive support

for embedded applications

GPIO 4 inputs, optically isolated, 3–30V

4 outputs, optically isolated, 0– 30V, non-isolated 5V,

100 mA supply (DB-15)

Power Sources Power over Ethernet (PoE) IEEE 802.3af

+24 VDC @ 800 mA via external universal power

supply with locking connector—sold separately


8.3.3 Dispositivo móvil cliente

HTC WildFire

Dimensiones

Peso: 118g (con batería)

Procesador

Qualcomm® MSM7225A™, 528 MHz

Batería

Batería recargable de iones de litio

Capacidad: 1300 mAh

Cámara

Cámara color de 5 megapíxeles con enfoque automático y flash

Navegación

Bola de navegación óptica

Aplicaciones

Friend Stream, YouTube™, Facebook®, Twitter™, Flickr®, HTC Peep


Pantalla

3.2 pulgadas

QVGA de 240 x 320 píxeles

Pantalla sensible al tacto

Sistema Operativo

Plataforma Android™ 2.1 (Éclair) con HTC Sense™

Memoria

ROM: 512 MB

RAM: 384 MB

Tarjeta de memoria microSD ™ (compatible con SD 2.0)

Red

HSPA/WCDMA 850/1900 MHz

Velocidades de carga de hasta 384 kbps y velocidad de descarga de hasta 7.2 Mbps

Cuatro bandas GSM/GPRS/EDGE: 850/900/1800/1900 MHz (*)

Conectividad

Bluetooth® 2.1 con FTP/OPP para transferencia de archivos

Wi-Fi® IEEE 802.11 b/g

Micro-USB estándar (micro-USB de 5 conectores)

Conector de sonido estéreo de 3,5 mm

Antena GPS interna

API para servicios de localización en interiores basada en tecnología Wi-Fi, Bluetooth, RFID y...

Technology

Transcript of API para servicios de localización en interiores basada en tecnología Wi-Fi, Bluetooth, RFID y...