Modelos numéricos y algoritmos para navegación en interiores empleando redes de sensores

En este proyecto fin de carrera se ha estudiado el problema de la localización en interiores empleando redes de sensores. Se han evaluado varios métodos de modelización de datos y distintos algoritmos de localización y navegación. Las redes de sensores son una tecnología emergente caracterizada principalmente porque los nodos que componen este tipo de redes son pequeños, baratos y con una autonomía relativamente grande. Esto permite nuevas aplicaciones que antes estaban limitadas por el tamaño, el precio o por la duración de la batería de los terminales. El tipo de solución que se ha analizado es la localización con balizas fijas a partir de observaciones de potencia de la señal recibida. Se puede estimar la posición de un nodo en una red de sensores en la que existe una serie de nodos baliza que transmiten señales, mediante mediciones de potencia recibida por el nodo objetivo, porque éstas dependen de la distancia. Sin embargo, existe incertidumbre tanto en la forma de esta dependencia como en las propias mediciones debido al ruido observacional. Para este estudio se ha dispuesto de dos conjuntos de datos experimentales obtenidos en una campaña de mediciones con una red de sensores formada por varios nodos baliza activos y un nodo objetivo a localizar. El primer conjunto se ha usado para modelar el comportamiento de la potencia recibida para cada baliza según la posición del nodo objetivo, utilizando un modelo de propagación log-normal y un modelo de aproximación polinómica. Se han utilizado estos modelos porque el primero es un modelo clásico de propagación en espacio libre, mientras que el segundo permite conseguir un menor o mayor ajuste a los datos simplemente cambiando el grado del polinomio. El segundo conjunto de datos experimentales se ha utilizado para evaluar estos modelos utilizando dos algoritmos de localización y navegación, el filtro de Kalman extendido y el filtro de partículas. Los resultados de este estudio son, en primer lugar, que el modelo de observación que mejor ajusta los datos es un modelo polinómico de tercer orden, pues con un orden mayor se produce un indeseado sobreajuste a los datos. Además, con este modelo es con el que mejores resultados se obtienen al utilizarlo con el filtro de Kalman extendido con datos sintéticos y está entre los que mejores resultados dan al utilizarlo con el filtro de partículas. El modelo log-normal es con el que peores estimaciones se realizan con los datos sintéticos, sin embargo, con los datos experimentales, se hace una estimación ligeramente mejor con este modelo al utilizar el filtro de partículas. En cuanto a los algoritmos de localización y seguimiento, el filtro de Kalman extendido necesita de una linealización del sistema y asume ruidos gaussianos de media nula. Este algoritmo tiende a realizar estimaciones correctas pero es algo inestable según el modelo de observación utilizado. Sobre el filtro de partículas se ha concluido que no necesita linealizar el sistema, que admite especificar cualquier tipo de distribución de ruido, que hace una estimación inicial más precisa que la del filtro de Kalman extenddo y que realiza un mejor seguimiento de la posición del nodo que el filtro de Kalman extendido si se utiliza un número adecuado de partículas.Ingeniería de Telecomunicació