MULTILATÉRATION AMÉLIORÉE 

MULTILATÉRATION AMÉLIORÉE 

Le Canada vit actuellement une crise démographique importante liée au vieillissement accéléré de sa population [1], Plusieurs conséquences découlent de cet état de fait : problèmes budgétaires liés aux soins de santé, pénurie de personnel qualifié dans le domaine médical, manque de ressources pour les soins à domicile dédiés aux personnes en perte d’autonomie, etc. Par ailleurs, les personnes âgées, dont une proportion grandissante souffre de troubles cognitifs (ex. maladie d5Alzheimer), souhaitent majoritairement demeurer à domicile [2]. Les gouvernements abondent dans ce sens pour des raisons aussi bien sociales qu’économiques. En fait, ce maintien est clairement souhaitable, car il contribue à l’amélioration de la qualité de vie en permettant la désinstitutionnalisation. Il permet aux personnes de vivre une vie aussi normale que possible sans ségrégation dans les hôpitaux et une existence digne et un plein accès à la citoyenneté et à leur autonomie. Or, le maintien à domicile des personnes atteintes de troubles cognitifs comporte de nombreux risques qu’il est nécessaire de contrôler [3]. L’environnement physique et humain des résidences se doit donc d’être adapté, voire augmenté à l’aide de la technologie, afin de répondre aux besoins, de pallier aux incapacités cognitives et physiques, d’assurer la sécurité et de supporter les résidents dans leurs activités quotidiennes. C’est dans ce contexte d’urgence que depuis une dizaine d’années, un peu partout à travers le monde, une communauté [4-9] de scientifiques cherche activement des réponses technologiques à ce problème grâce au concept d’ « habitat intelligent » .

L’habitat intelligent [5] s’inscrit dans le récent courant de pensée issu de l’ « intelligence artificielle ambiante », et réfère à une tendance voulant que Ton miniaturise un ensemble de dispositifs électroniques (capteurs et effecteurs) pour ensuite les intégrer dans plusieurs objets du quotidien (portes d’armoire, cuisinière, lampes, etc.), de manière transparente pour la personne, dans le but de fournir une assistance ponctuelle aux occupants et aux aidants en fonction des informations recueillies et de l’historique des données accumulées. Par exemple, une des problématiques fondamentales inhérentes au développement de ce type de technologies d’assistance adaptées concerne la reconnaissance et la prédiction des comportements [11] normaux ou anormaux des occupants (ex. personnes Alzheimer) effectuant leurs activités de la vie quotidienne (préparer un repas, laver les mains, allumer la télévision, etc.) à l’intérieur de l’habitat. Ces technologies visent ainsi, d’une part, une assistance directe au patient en-cas, par exemple, d’un oubli dû à une perte de mémoire (ex. oubli de la cuisinière allumée). Dans ce cas, le système intelligent peut effectuer une guidance/rappel à l’aide, par exemple, de la voix (message vocal), de la vidéo (message vidéo), du système d’éclairage (faire scintiller la lumière de la cuisinière) [12]. Cette assistance doit être adaptée au profil de l’individu (habitudes, habiletés, troubles cognitifs, etc.) de façon à maximiser l’efficacité de l’intervention. D’autre part, ces technologies visent aussi à assister l’aidant, lui permettant de diminuer la lourdeur de sa charge en monitorant, par exemple, la fuite et les comportements anormaux de la personne durant la nuit, lui permettant de passer une bonne nuit de sommeil.

Afin d’être en mesure d’accomplir ces tâches importantes de soutien technologique, le système de l’habitat intelligent doit d’abord être capable d’identifier les activités de la vie quotidienne (AVQ) effectué par le résident en inférant à partir des événements de base observés et à partir des événements captés par les senseurs dissimulés dans l’environnement. Cette problématique est appelée, dans le domaine de l’intelligence ambiante, la «reconnaissance d’activités » [13], sous-domaine bien connu et actif de la recherche en intelligence artificielle. Bien qu’un grand nombre de données de diverses natures (logiques, temporelles, spatiales, etc.)en provenance des capteurs puissent être exploitées par les approches de reconnaissance dans leur processus inférenciel, dans le contexte spécifique des habitats intelligents, les informations à caractères spatiales (position, mouvement, orientation, etc.) liées aux objets du quotidien jouent un rôle fondamental dans le cycle de reconnaissance [14]. L’obtention de ces informations, les plus précises possible, constitue donc un défi clé pour la mise en œuvre des systèmes de reconnaissance d’activités (et des erreurs cognitives) dans les habitats intelligents. Cette sous problématique se caractérise par la capacité de mettre en œuvre un système de localisation permettant le suivi des principaux objets en temps réel de manière fiable, efficace, ayant la plus grande précision possible [15]. Ce mémoire adresse principalement cette problématique.

Problématique ciblée dans ce mémoire

Au cours des dernières années, de nombreux chercheurs ont proposé des solutions pour la mise en œuvre de systèmes de positionnement basés sur différentes technologies comme les systèmes s’appuyant sur le GPS [16], les capteurs à ultrasons [17], les caméras vidéo [18] et enfin les systèmes basés sur l’identification par radio fréquence (RFID). Ces différentes approches et technologies proposent différentes façons de répondre au problème de la localisation et de suivi des principaux objets mobiles de l’habitat en temps réel. Toutefois, dans le contexte des habitats intelligents, la technologie RFID semble s’être imposée comme l’une des meilleures solutions actuellement disponibles en raison de sa robustesse, de son prix faible et de sa souplesse [15]. En général, un système RFID se compose de trois éléments (voir Figure 1.1) : les étiquettes d’identification par radio fréquence, d’au moins une antenne et d’un module de collecte de données. Un système RFID passif fonctionne comme suit. Tout d’abord, l’antenne RF (Radio Fréquence) émet un rayonnement d’ondes électromagnétiques. Ensuite, si une étiquette RFID est située dans la zone de couverture de l’antenne, elle intercepte le signal,s’active et la puce interne en renvoie un nouveau à l’antenne. Finalement, l’antenne d’émission capte ce nouveau signal et renvoie les informations contenues dans le signal au module de collecte. Ces données peuvent être utilisées par un algorithme pour déduire des informations spatiales (ex. leur position) sur les objets étiquetés.

APPROCHES DE LOCALISATION EN ENVIRONNEMENT INTÉRIEUR

Au fil des années, diverses technologies ont été envisagées pour la localisation des objets à l’intérieur d’un habitat. Plusieurs chercheurs ont envisagé d’exploiter le système de positionnement global (GPS) [36]. Ses performances pour les applications extérieures n’ont plus besoin d’être démontrées. Cependant, la technologie GPS est confrontée au problème prohibitif de la pénétration de la paroi ce qui restreint son utilisation pour les applications au sein d’un habitat intelligent. Il existe également des modèles de localisation basés sur des capteurs d’ondes ultrasonores. Bien qu’il y ait des systèmes notables qui fonctionnent bien en exploitant cette technologie, tel que le système de localisation BAT [14], ils souffrent de difficultés importantes dans notre contexte. Premièrement, ce système est compliqué à mettre en œuvre à la fois sur le plan matériel et logiciel. Deuxièmement, le suivi de plusieurs objets est coûteux, car ceci nécessite de fixer un émetteur sur chaque objet qui doit être localisé à l’intérieur de l’habitat intelligent. Enfin, la complexité de calcul de ces systèmes est élevée ce qui rend son utilisation difficile, voire impossible, en situation de temps réel.

Une autre catégorie de méthode est celle basée sur la caméra vidéo pour effectuer cette tâche [37]. C’est de loin la technique fournissant les informations les plus complètes sur l’objet suivi. Toutefois, ces systèmes sont souvent moins souples, car les conditions environnementales doivent être soigneusement calibrées. Par conséquent, leur portabilité est limitée. En outre, l’utilisation de caméras vidéo pose des problèmes de confidentialité et n’est pas bien acceptée par les différents groupes de personnes impliquées dans le processus d’assistance (professionnels de la santé, des médecins, des résidents, des membres de la famille, etc.). En fait, dans notre contexte d’habitat intelligent, il a été démontré que l’intrusion pourrait aggraver la détresse des sujets atteints d’Alzheimer.

Identification par radio fréquence (RFID – Radio-Frequency Identification)

Typiquement, un système RFID se compose de trois éléments : les étiquettes d’identification par radiofréquences, au moins une antenne RF et le module de collecte de données. Les étiquettes RF sont subdivisées en trois familles : étiquettes actives, semi-actives et passives. Ces familles possèdent des caractéristiques de base très distinctives offrant différentes alternatives pour répondre à un large éventail de problèmes. Alors que les étiquettes actives sont surdimensionnées, leurs homologues passifs sont discrets et peuvent même être intégrés dans un objet. Par conséquent, ils sont plus robustes et peuvent fonctionner de façon autonome pendant une longue période de temps. Cependant, puisque les étiquettes actives sont alimentées par batterie, elles peuvent atteindre une portée et une précision considérablement plus élevées que les passives. Par exemple, le travail de Cory Hekimian-Williams [20] atteint presque une précision de l’ordre du millimètre avec la technique de différence de phase, qui est loin d’être possible avec la technologie passive. D’un autre côté, les batteries des étiquettes actives nécessitent une maintenance rapide et un certain coût ce qui restreint leurs usages. Le problème de la localisation avec des étiquettes autoalimentées est beaucoup plus simple et c’est pourquoi nous pouvons trouver un grand nombre de systèmes et de travaux exploitant cette méthode [24, 38, 39]. Toutefois, dans le cas de l’aide intelligente à domicile, nous avons besoin d’une technologie non intrusive qui nécessite peu d’entretien et qui est raisonnablement peu coûteuse. Les étiquettes passives peuvent coûter aussi peu que quelques centimes, et elles peuvent même être directement intégrées dans les objets de la vie quotidienne (tasse, assiette, etc.). La technologie passive est, donc, plus appropriée pour l’aide intelligente à domicile.

Évaluation des impacts des RSS sur un système de localisation

Les méthodes de positionnement à partir des forces de signaux utilisent la relation de l’atténuation de la force du signal en fonction de la distance pour obtenir un modèle mathématique de propagation. Cependant, les forces de signal radio ont la réputation de fluctuer imprévisiblement. Telle qu’illustrée à la figure 2.3 ci-dessous5 cette imprévisibilité produit une corrélation imparfaite entre les forces de signaux et les distances [41]. Une corrélation imparfaite rend imprécis le calcul d’une distance à partir d’une force de signal et une corrélation trop faible rend difficile l’obtention d’un modèle mathématique de propagation. Par ailleurs, aux figures 2.3 et 2.4 on remarque que le niveau d’erreur augmente en fonction de la distance et qu’il existe un intervalle de distance où le niveau de précision est optimal tout dépendamment du matériel et du contexte d’utilisation.

Les approches hybrides ou sans la technologie RFID

L’utilisation des ultrasons
Addlesee & al. [17] est probablement l’un des systèmes de localisation non-RF le plus renommé. Leur système repose sur la seule exploitation des capteurs à ultrasons. Il atteint une précision considérable (-3 cm) dans des conditions idéales, mais nécessite un déploiement dense de récepteurs coûteux installés dans le plafond de la zone ciblée. Choi et al. [42] combine la technologie des ultrasons avec des étiquettes RFID passives de référence pour localiser un robot. Une étiquette de référence est une balise qui est statique et fixe à un endroit prédéfini. Il est utilisé pour aider l’algorithme de localisation à déduire la position d’une étiquette mobile en comparant sa position estimée avec les balises de référence. Ils donnent une précision beaucoup plus élevée que toute autre approche RFID (~l-3cm). Cependant, les systèmes à base d’ultrasons sont limités par des conditions environnementales telles que le bruit, les obstructions matérielles entre la source et le capteur, etc.

La combinaison de la vision ou d’un laser avec la technologie RFID
Hâhnel & al. [24] est un autre travail de positionnement majeur que met l’accent sur la localisation de robot. Ils unissent un lecteur RFID avec un numériseur à laser qui est installé à bord d’un robot mobile. Une phase d’apprentissage de la carte est tout d’abord réalisée avec le laser. Ensuite, il est utilisé en combinaison avec des étiquettes en positions fixes et connues pour localiser un robot. En dépit de sa nouveauté, leur système obtient une erreur moyenne élevée du positionnement de l’ordre de 1-10 mètres. En outre, il doit également gérer la contrainte de la ligne de visée du laser qui peut être obstruée par un obstacle. Heesung & Kyuseo [43] et plus tard Milella et al. [44] ont combiné des capteurs de vision (caméra) avec la technologie RFID pour atteindre une précision de l’ordre de 20cm. Sample & al. [31] est un autre travail qui exploite les capteurs de vision. Ils améliorent les étiquettes avec des LEDs (diode électroluminescente) pour permettre à un robot équipé d’une caméra de localiser plus précisément la balise dans l’environnement .

La combinaison de la technologie RFID avec un capteur de mouvement
Récemment, Parr & Miesen [45] ont introduit une nouvelle méthode de suivi d’étiquettes RFID en fixsionnant une unité de mesure inertielle à un lecteur portatif. Leur technique utilise des données d’accélération sans connaissance de la position de l’antenne pour atteindre un positionnement précis à un coût raisonnablement bas. Pourtant, le matériel nécessaire pour supporter ce système (un accéléromètre ainsi qu’une batterie) est trop encombrant pour être intégré aux objets à l’intérieur de l’habitat .

Bilan sur les approches hybrides
Bien que les approches sans la technologie RFID et les approches hybrides donnent un meilleur rendement que l’utilisation seule de la technologie RFID, elles sont sans doute moins adaptées à de nombreuses situations. D’abord, elles sont plus coûteuses au point que certaines d’entre elles restent principalement inutilisées après de nombreuses années. Deuxièmement, elles s’appuient maladroitement sur une technologie qui souffre d’une haute intrusion (les caméras sont particulièrement prohibitives dans notre cas). Troisièmement, ces approches imposent souvent une contrainte sur une ligne de vue directe que les technologies par radiofréquence permettent souvent d’éviter. Quatrièmement, aucun de ces systèmes offrent une robustesse plus élevée que les étiquettes RFID passives car celles-ci peuvent être mises dans un lave-vaisselle et ne nécessitent aucunement l’utilisation d’encombrantes batteries. Ces systèmes sont aussi plus lents et plus difficiles à installer que les méthodes RFID simples. En somme, ils ne présentent pas les avantages qui rendent la technologie RFID si attrayante pour la localisation dans le contexte de l’assistance à l’intérieur d’un habitat intelligent.

La localisation basée sur la technologie RFID
De nombreuses techniques RFID sont basées sur le système de localisation bien connu LANDMARC [33]. Ce système introduit le concept de localisation à l’aide de balises de références placées à des emplacements stratégiques. Le travail de Jin et al. [39] est l’un d’entre eux. Ils exploitent la technologie RFID active et ont développé une version améliorée du système LANDMARC en ne sélectionnant que quelques balises à proximité de la cible. Ils atteignent un positionnement précis à 72cm près. De la même manière, Vorst et al. [25] utilisent des étiquettes  RFID passives et un lecteur intégré pour localiser des objets mobiles. Ils exploitent une technique qui consiste en un filtre de particules (FP) pour estimer l’emplacement à partir d’un modèle probabiliste précédemment appris. Ils peuvent atteindre une précision de 20-26cm. Bekkali & al. [46] proposent également une approche probabiliste mais en utilisant le filtre de Kalman. Ils atteignent une erreur de localisation de l’ordre de 50 à 100cm. L’inconvénient majeur de ces deux systèmes est la durée trop élevée du temps de calcul. Lei et al. [32] ont abordé cette question en combinant le FP avec la localisation du barycentre à partir d’un ensemble pondéré de points. Ils passent d’une méthode à l’autre en fonction de l’estimation de la vitesse de l’objet suivi. Dans des conditions idéales, ils localisent une antenne avec une erreur moyenne de 20cm tout en augmentant fortement la vitesse du processus. Joho et al. [26] présentent un modèle qui utilise la force de signal (RSSI), l’orientation de l’antenne et des étiquettes de références. Un lecteur mobile rassemble des informations pour les comparer avec la position réelle. L’erreur de localisation est d’environ 35cm. Chawla & Robins [27] ont développé un modèle basé sur la variation de la puissance de l’antenne pour estimer la distance des balises de référence à proximité. Ils ajustent progressivement la force (le nombre de décibels) de l’antenne jusqu’à ce que la balise soit à portée. Par la suite, ils utilisent la distance entre l’antenne et de nombreuses balises pour localiser un robot mobile. Leur approche donne une précision variant de 18 à 35 cm. Pour conclure, bien que certaines de ces approches offrent de très bons résultats, ils exploitent toutes des techniques nécessitant un grand déploiement de balises de référence. Il fonctionne bien pour la localisation d’un robot. Cependant, il n’est pas toujours possible de placer un grand nombre de balises dans un environnement. Ils seraient également trop intrusifs pour l’assistance de l’habitat intelligent qui nécessite de limiter les changements sur l’environnement de la personne. De plus, une installation soignée de balises de référence à des positions stratégiques est une tâche complexe et fastidieuse. En outre, dans notre cas, nous voulons parvenir à localiser des objets de la vie quotidienne (tasse, livre, etc.). Les techniques décrites précédemment ont été conçues dans le but de localiser une antenne à partir d’un grand nombre d’étiquettes. Cependant, les antennes sont beaucoup trop grosses pour être intégrées dans des objets. Par conséquent, ces modèles ne conviennent pas à nos besoins.

Brchan & al. [47] utilisent la technologie active pour se concentrer sur le problème de la localisation en temps réel qui a été largement ignoré dans la littérature. Ils utilisent des modèles de propagations multiples pour améliorer la précision de force de signaux (RSSI) en utilisant des étiquettes de référence. Hekimian-Williams & al. [20] est peut-être le système de localisation le plus précis parmi tous ceux qui sont basés sur la technologie RFID active. Ils exploitent les différences de phase pour atteindre une précision au millimètre près dans des conditions parfaites. Cependant, ils ignorent des facteurs clés tels que la sensibilité d’une étiquette. De plus, la différence de phase est difficilement utilisable avec la technologie passive. Bien que les étiquettes actives puissent être une bonne option pour obtenir un signal sur une plus longue distance, ils souffrent de nombreuses faiblesses. Tout d’abord, ils sont de dimension plus élevée que leurs homologues passives. Deuxièmement, elles sont beaucoup plus coûteuses. Enfin, elles dépendent d’une batterie qui nécessite un entretien, en temps opportun, qui devrait être évité dans le contexte de l’habitat intelligent. D’autres équipes de recherche ont tenté d’aller plus loin par la mise en œuvre d’un système de localisation en 3D [48, 49]. Bien qu’ils aient obtenu une précision intéressante (10 à 90cm), leur système est lent et nécessite un grand déploiement d’étiquettes et/ou d’antennes. Zhang et al. [28] présente une nouvelle approche qui utilise les angles d’arrivés avec la technologie RFID passive pour localiser des objets. C’est un concept très intéressant. Par contre, il a été testé que par simulation et l’estimation de l’erreur obtenue est d’environ 100cm.

Les approches basées sur la trilatération
En dépit du nombre élevé de modèles de localisation basés sur le RFID, seul un petit nombre a exploré la méthode de trilatération. Dans les faits, cette technique est assez difficile à utiliser avec des informations bruitées et imprécises. Qing Fu et al. [34] ont effectué une expérience à grande échelle avec une méthode qui utilise la trilatération de manière comparable à notre nouveau modèle. Ils ont utilisé des balises actives pour localiser des piétons portant un petit lecteur. Ils pourraient atteindre une précision de 2-3 mètres ce qui est assez bon compte tenu de leur contexte expérimental. Récemment, Kim & Kim [35] ont présenté une alternative intéressante à la technique classique. Leur modèle utilise le délai entre l’émission et la réception du signal pour calculer la distance entre une balise active et une antenne. À partir de cette information, ils effectuent un calcul classique de trilatération leur donnant une précision au mètre près. Leur contribution est l’introduction d’une antenne à polarisation circulaire et un filtre de positionnement. Une autre approche qui vaut la peine d’être mentionnée est celle de Chen et al. [29] qui effectue une trilatération avec différentes technologies utilisant les radiofréquences (ZigBee). Ils exploitent un moteur d’inférence floue avec une variable qui corrèle le RSSI d’un transmetteur avec sa distance le séparant d’un récepteur. Ils ont atteint une précision de 119cm .

CONCLUSION GÉNÉRALE 

Le projet de recherche de ce mémoire qui est présenté au travers des quatre chapitres précédents apporte de nouvelles pistes de solution au problème décrit dans l’introduction. L’objectif principal de ce mémoire est de proposer et de formaliser un nouveau modèle multicouche et un nouvel algorithme de localisation précise des étiquettes RPID passives capable d’être appliqué dans un contexte de reconnaissance d’activités et de détection des erreurs pouvant être commises per un résident au sein d’un habitat intelligent. À travers le chapitre 2, nous sommes capables d’évaluer l’importance de réduire considérablement l’imprécision des forces de signaux par l’application d’un ensemble de filtres avant d’effectuer le calcul de la position par multilatération elliptique. Nous pouvons aussi voir au chapitre 2 que plusieurs modèles fournissent de bons indices sur la manière de s’y prendre afin d’effectuer un bon système de localisation en général. Cependant, ces modèles n’ont pas été construits avec l’intention de répondre au problème spécifique de la localisation d’objets mobiles à l’intérieur d’un habitat intelligent. Par conséquent, chacun de ces modèles présente des limitations importantes à l’égard de notre contexte applicatif, principalement au niveau de la précision et de la robustesse.

Table des matières

CHAPITRE 1 – INTRODUCTION 
1.1. Contexte
1.2. Problématique ciblée dans ce mémoire
1.3. Travaux antérieurs liés au positionnement par RFID
1.4. Contribution du mémoire
1.5. Méthodologie de la recherche
1.6. Organisation du mémoire
CHAPITRE 2 – APPROCHES DE LOCALISATION EN ENVIRONNEMENT INTÉRIEUR
2.1 Introduction
2.2 Identification par radio fréquence (RFID — Radio-Frequency Identification)
2.3 Évaluation des impacts des RSS sur un système de localisation
2.4 Les approches hybrides ou sans la technologie RFID
2.4.1 L’utilisation des ultrasons
2.4.2 La combinaison de la vision ou d’un laser avec la technologie RFID
2.4.3 La combinaison de la technologie RFID avec un capteur de mouvement
2.4.4 Bilan sur les approches hybrides
2.5 La localisation basée sur la technologie RFID
2.6 Les approches basées sur la trilatération
2.7 Conclusion
CHAPITRE 3 – MULTILATÉRATION AMÉLIORÉE 
3.1 Introduction
3.2 Le filtrage des forces de signaux
3.2.1 Filtre de réduction des faux positifs et des faux négatifs
3.2.2 Filtre de réduction de crête ou de variation anormalement élevée
3.2.3 Filtre de pondération par moyenne gaussienne
3.3 La multilatération elliptique
3.3.1 Multilatération par intersection géométrique de disques elliptiques
3.3.2 Recherche ou raffinement de la solution
3.4 Règles définissant le comportement du mouvement des objets
3.4.1 La position, la vitesse et le mouvement
3.4.2 La zone de ralentissement
3.4.3 Bilan sur l’approche
3.5 Conclusion
CHAPITRE 4 – IMPLEMENTATION ET VALIDATIONS 
4.1 Introduction
4.2 Implementation dans le laboratoire du LIARA
4.2.1 L’infrastructure du LIARA
4.2.2 Implementation du système de positionnement
4.3 Expérimentations
4.3.1 Protocole d’expérimentation au LIARA
4.3.2 Expérimentation avec le système de reconnaissance de comportements erronés
4.3.3 Contribution (transfert technologique) à l’industrie (TLM)
4.4 Analyse et comparaison avec les résultats présentés dans les ouvrages connexes
4.4.1 Matériel
4.4.2 Vitesse
4.4.3 Superficie et précision
4.5 Conclusion
CHAPITRE 5 – CONCLUSION GÉNÉRALE

Télécharger le rapport complet