.jpg)
Este artículo presenta un marco novedoso de localización cooperativa en tiempo real especialmente diseñado para entornos interiores con múltiples GNSS (GPS, Galileo, BeiDou, GLONASS). Aprovechando una fusión mediante filtro de Kalman se integran de forma continua mediciones multi GNSS, datos de una unidad inercial IMU y un esquema cooperativo basado en el intercambio de información a nivel de señal entre dispositivos cercanos. El resultado es una mejora notable en precisión y robustez frente a soluciones GNSS convencionales, mitigando problemas típicos en interiores como bloqueo de señal y reflexiones por multipath.
La innovación clave radica en un algoritmo cooperativo de filtrado que utiliza medidas de potencia recibida RSS para estimar distancias relativas entre dispositivos y convertir dichas estimaciones en observaciones que alimentan el filtro de Kalman. En pruebas simuladas en almacén se anticipa una reducción del error de localización entre 20 y 30% y un aumento significativo de la disponibilidad del servicio, alcanzando valores próximos a 97 99% en escenarios desafiantes.
Metodología resumida: cada dispositivo ejecuta un filtro de Kalman extendido EKF que combina pseudoranges multi GNSS y lecturas de aceleración y giro de la IMU. Paralelamente se ejecuta un módulo de localización cooperativa que convierte RSS en estimaciones de distancia mediante un modelo de atenuación de potencia d_ij = 10^(RSSI_ij / (10 a)) donde a es el exponente de pérdida de trayectoria. Las distancias obtenidas se emplean en trilateración relativa y su incertidumbre se modela para generar covarianzas que entran como observaciones en un filtro estrechamente acoplado. Además se incorpora un componente de control predictivo MPC para anticipar cambios y afinar las estimaciones previas.
Diseño experimental: se simuló un entorno de almacén de 10m x 15m x 5m con emisores interferentes para reproducir bloqueo y multipath. Cinco dispositivos móviles, cada uno con receptor multi GNSS, IMU y módulo de comunicación RSS intercambiaron información entre sí. La verdad terreno se obtuvo mediante un sistema de captura de movimiento. Se evaluaron escenarios estáticos y dinámicos con distintas condiciones de bloqueo. Métricas clave: RMSE para precisión, disponibilidad y tiempo computacional por adquisición.
Resultados principales: el sistema CKFL alcanzó una reducción del RMSE cercana al 28% frente al EKF individual GNSS IMU y un 15% frente a un enfoque cooperativo convencional basado solo en RSS. La disponibilidad se mantuvo alta en condiciones degradadas, con mediciones entre 97 y 99%. La carga computacional aumentó ligeramente pero se mantuvo compatible con requisitos de operación en tiempo real para la mayoría de aplicaciones industriales.
Ventajas y limitaciones: la principal ventaja es la resiliencia ante degradación GNSS mediante aprovechamiento cooperativo y fusión multi sensor, lo que lo hace aplicable a robótica, seguimiento de activos y realidad aumentada en interiores. Las limitaciones incluyen dependencia de la comunicación entre dispositivos y la sensibilidad de las estimaciones RSS a entornos con obstáculos metálicos o densos. Por eso es clave optimizar el modelo de propagación y aplicar esquemas de ponderación adaptativos en el filtro de Kalman.
Contribuciones técnicas: el aporte principal es la integración cerrada de las observaciones RSS dentro del modelo dinámico del filtro de Kalman y la combinación con un controlador predictivo MPC que mejora la predictibilidad y estabilidad de la localización. Este enfoque supera implementaciones sueltas previas al permitir que el sistema ajuste dinámicamente la confianza relativa entre GNSS IMU y cooperativo según la calidad de señal.
Futuro trabajo: optimización del modelo de propagación RSS, desarrollo de esquemas adaptativos de ponderación para ajustar automáticamente las contribuciones de GNSS IMU y cooperativo, exploración de técnicas de aprendizaje automático para reconocimiento de actividad y contexto, y despliegues piloto en entornos complejos como departamentos de urgencias hospitalarios.
Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida con amplia experiencia en proyectos de localización, inteligencia artificial, ciberseguridad y servicios cloud. Ofrecemos soluciones integrales de software a medida y aplicaciones a medida que incorporan agentes IA, IA para empresas y capacidades de inteligencia de negocio. Si busca desarrollar una plataforma de localización indoor o integrar modelos de fusión sensorial y aprendizaje automático en su producto puede conocer nuestros servicios de desarrollo de aplicaciones a medida en desarrollo de aplicaciones a medida o explorar nuestras propuestas de inteligencia artificial en inteligencia artificial para empresas. También proporcionamos servicios de ciberseguridad, pentesting, despliegue en servicios cloud aws y azure, servicios inteligencia de negocio y soluciones con Power BI para mejorar la visualización y explotación de datos.
Palabras clave integradas naturalmente: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. CKFL representa una solución práctica y escalable que combina lo mejor de la fusión de sensores, la localización cooperativa y la inteligencia predictiva para mejorar la precisión y disponibilidad en entornos interiores, aportando valor industrial y social en almacenes, hospitales, logística y entornos robóticos.
Resumen para responsables técnicos: CKFL emplea un EKF para cada dispositivo, un módulo cooperativo RSS basado en trilateración y un filtro estrechamente acoplado con componente MPC. El flujo de datos permite mitigar el impacto de la degradación GNSS y mantener alta disponibilidad y precisión. Para una adopción real se recomienda calibración del exponente de pérdida de trayectoria, modelado de covarianzas de RSS y pruebas en el entorno objetivo para ajustar parámetros y garantizar rendimiento óptimo.
Para consultas técnicas, propuestas de integración a medida o proyectos piloto de localización cooperativa en interiores, contacte con el equipo de Q2BSTUDIO y diseñaremos una solución que combine localización avanzada, inteligencia artificial y robustez operativa adaptada a su caso de uso.
