Позиционирование в помещении с помощью нейросети по сигналу Wi-Fi. Интерактивная карта склада в 1С с показом позиции
Данная публикация содержит в себе редактор и интерактивную карту склада или иного помещения, на которой в реальном времени отображается позиция устройства, координаты которого вычисляются по уровням сигнала нескольких роутеров Wi-Fi. В статье и приложенным к ней разработкам предлагаются инструменты и методика для реализации вычисления точной геопозиции внутри помещений с помощью нейронной сети. Конфигурация написана на релизе 1С:Предприятие 8.3.12.1412, клиентское приложение имеет минимальный уровень совместимости SDK -16.
Комментарии
В избранное
Подписаться на ответы
Сортировка:
Древо развёрнутое
Свернуть все
(2)На сколько я понял, поиск идёт некого терминала, который считывает коды со стелажей и товара. Так что поиск нужен будет только в случае если терминал где-то оставит сотрудник. Оборудование в цехах - ну если только сломанного робота беглеца искать, остальное оборудование либо стационарное, либо тот же терминал, у которого есть хозяин.. :)
(1) Когда то я занимался теплицами и очень не хватало этого. Сейчас я занимаюсь проектом с большими территориями с наземным хранением и это необходимо. Ну а глобально, если в процессе наработается хорошая точность, то это шаг к автоматизированным складам с небольшими затратами - ну знаете где людей нет, вкалывают роботы)) Ну это так, мечты. Разработкой позиционирования занимаются многие, как я писал Cisco, Нокия занималась да много кто. Это вроде как нужная штука.
(9) к сожалению несмотря на широту кругозора - он у меня в стиле "слышал о многом, но краем уха")) Так что все мои знания ограничиваются тем что есть такой способ навигации, и он когда то даже использовался на практике, причем как бы не на механике сделали отображение на бумажной карте текущее. (и вроде как иногда и сейчас используется)
(4) Инерциальная навигация в данном случае не подходит - нет акселерометра и гироскопа чтобы вычислять ускорение и угловые скорости. Но если мониторинг идёт постоянно, то можно ещё сделать проверки "скачков", чтобы не было как в навигаторах в центре Москвы - то ты едешь по Тверской, то бах - и в Шереметьево.
(3)Если можно по подробнее о теплицах - что там на WiFi и требует позиционирования? Про большие территории - опять же отслеживать перемещение сотрудников по их терминалам? Чтобы не спали в тихих уголках? :) Скорее актуально для поиска несанкционированных WiFi устройств.
(15) Да я пробовал так. При 1 пикселе =11 см примерно, разбег по 1 оси от 0 до 7-8 пикселей примерно. Основная масса примерно в +/-5-6 пикселей попадает. Опять же при условии что стеллажи нарисованы точно там где они есть+сканируют адрес с примерно одинакового расстояния (контроль производится при сканировании адресов) Думаю что точность можно увеличить экспериментируя с сетью.
Думаю, что неправильно сформулировал вопрос. Я про набор данных. Обычно же сотнями-тысячами измеряются количество примеров для обучения. Ну если теорию читать.
Возможно, получится развернуть что-то подобное, только на Bluetooth LE.
Возможно, получится развернуть что-то подобное, только на Bluetooth LE.
(22) Сотни тысячи? Это если не вычислять зависимости( чем занимается сеть) а тупо снимать паттерн в каждой точке . Тогда да в каждой точке надо будет померить 3 сигнала (ну или сколько там роутеров), запихнуть в таблицу а потом когда надо определить местоположение типа найти максимально похожий (с минимальными дельтами т.е.) набор значений. Тогда да. Я так понимаю Cisco так делает. Кстати на моей инфраструктуре вы легко можете воспроизвести и этот метод.Но тогда придется побегать по помещению. Альтернатива - триангуляция. Там есть формулы. Но я ленивый человек и не хочу курить формулы, потом еще вносить в них корректирующие коэффициенты (помехи, и расположение роутеров), поэтому аппроксимация возлагается на нейросетку. Насколько я знаю такого метода никто больше не использует, видимо его придумал я)) Но ничего сверхестественного тут нет - это та же триангуляция только вместо формул - аппроксимация на нейросети. Вот и все.
Я экспериментировал с OpenCV - дрессировал на поиск одной конкретной игрушки в кадре - набирал несколько сотен снимков, чтобы работало. Но там задача другая конечно. Еще был какой-то пример с классификацией цветков по размерам чего-то там из Тензор Флоу - там тоже много было примеров. А вот подобное еще не пробовал. Но вопрос позиционирования нейросеткой затронут в каком-то видео Майкрософта на ютуб (смотрел давно, надо будет поискать). И об этом много публикаций в англоязычном интернете. Как правило в PDF сразу - как научный труд).
Вопросы с вознаграждением
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|
||
|
|
|