Abstract:
En la actualidad, la aparición de la pandemia COVID-19 ha generado desafíos sociales sin precedentes. El esparcimiento del virus ha crecido de manera exponencial de modo que muchas naciones han decretado confinamientos para disminuir la tasa de contagios. El aislamiento asociado a las cuarentenas extendidas tiene efectos inmediatos en las economías mundiales, en el equilibrio socioemocional e inclusive en los cambios climáticos de las últimas décadas.
Bajo esta perspectiva, el objetivo de este trabajo es detectar, en ambientes interiores, la ubicación de una persona que no porta dispositivos electrónicos aprovechando las características de la propagación de señales de radiofrecuencia de altas frecuencias y el aprendizaje automático. El bloqueo parcial o total a la emisión RF producido por la presencia de la persona genera una variación de la potencia de recepción que permite estimar su ubicación geográfica.
El trabajo se divide en dos partes: generación de datos y selección de un modelo de aprendizaje automático supervisado basado en la precisión de la ubicación. En la generación de los datos, se usaron dos escenarios. En el primero, el sistema de comunicaciones se formó con un transmisor (Tx) y 19 receptores (Rx) equipados individualmente con dipolos de media onda (patrón de irradiación tipo omnidireccional), estos últimos instalados en una sola pared. En el segundo escenario, solo el Tx se equipó con un arreglo lineal de antenas (direccional), mientras que los receptores con antenas omnidireccionales se repartieron en tres paredes. En cada caso, el sistema de comunicación inalámbrica permitió obtener los niveles de potencia con y sin el bloqueo de personas ubicadas dentro de una habitación rectangular. Para el efecto, se aplicó una herramienta de simulación de propagación basada en trazado de rayos conjuntamente con MATLAB tanto para automatizar el uso repetitivo de la herramienta como para el registro de esos datos en un formato apropiado. En una segunda parte del trabajo, la información (dataset) generada fue procesada con técnicas de inteligencia artificial usando diferentes diseños de aprendizaje automático supervisado con el objetivo de alcanzar la mejor resolución posible. En esta parte, el algoritmo estima la posición de la persona basado en los niveles de potencia (RSS). Las redes son entrenadas con los datos de las coordenadas x, y de manera independiente usando el error cuadrático medio entre los valores reales y estimados.
