Activitatea I.1 a avut ca scop studiul metodelor existente de localizare la interior care se bazează pe amprentarea WiFi. Au fost studiate atât metode de achizitie cât și platforme software dezvoltate având la bază aceste metode. S-au studiat de asemenea metodele propuse pentru prelucrarea datelor achiziționate. A fost identificată o singură abordare care propune automatizarea procesului de achiziție prin folosirea unei platforme robotice. Este vorba de o platformă robotică mai puțin performantă care nu are capabilități de SLAM (Simultanous Localization and Mapping). Prin urmare, acest aspect al proiectului LOMAR reprezintă o abordare innovativă în domeniu.

Activitatea I.2 a avut ca scop studiul arhitecturilor existente de rețele neuronale adecvate amprentării bazate pe localizarea în prezența zgomotului. Studiile efectuate au constatat că rețelele neuronale sunt încă puțin folosite în acest domeniu. Lucrările identificate sunt prezentate pe scurt.

Activitatea I.3 a avut ca scop analiza și utilizarea setului de date test disponibile la CITST în teste preliminarii cu versiunile disponibile de rețele neuronale. A fost creată o rețea neuronală având dimensiuni de intrare de 149/172, 4 straturi ascunse cu 1200, 400, 100 și 20 neuroni și functii ELU de activare precum și un strat cu 2 ieșiri și funcții de activare liniară.

Activitatea I.4 a avut ca scop selectarea locației de test, definirea parametrilor de test și achiziția manuală de date. Au fost obținute planurile mai multor locații din incinta UPB. Decizia finală a fost de a testa de-a lungul unui coridor din incinta Facultății de Electronică deoarece, fiind în apropierea premiselor echipei UPB, permitea realizarea unor teste repetate. În cadrul etapei a fost dezvoltat atât software-ul cât și hardware-ul necesar achiziției de date.

Activitatea I.5 a avut ca scop alegerea algoritmilor de învățare și reglajul parametrilor modelelor pe setul de date colectate în cadrul activității I.4. Setul de date are 3120 de măsurători în care s-au captat 172 de emițători de semnal Wifi. Au fost aleși următorii algoritmi de învățare supervizată:

Activitatea I.6 a avut ca scop:

Activitatea II.1 a avut ca scop implementarea, integrarea și dezvoltarea metodelor de testare ale mediilor hardware și software ale robotului. Din punct de vedere al testării hardware, au fost considerați doi algoritmi de SLAM (Simultanous Localization and Mapping – localizare și mapare simultană) împreună cu diverși senzori existenți pe platforma robotică Turtlebot2. S-a constatat atât superioritatea algoritmului RTAB-Map față de Hector cât și necesitatea utilizării unui număr cât mai mare de senzori pentru maparea spațiilor cu puține trăsături distinctive (de exemplu maparea coridoarelor). În vederea testării software, s-au achiziționat date de RSS WiFi care au fost utilizate, împreună cu date de la colaboratori ai proiectului LOMAR, pentru dezvoltarea și testarea unor algoritmi de poziționare bazați pe învățare automată (Machine Learning). Comparația modelelor de învățare obținute de echipa LOMAR cu cele ale colaboratorilor a relevat o precizie sporită a metodelor LOMAR față de cele ale colaboratorilor. O altă concluzie importantă este superioritatea metodelor supervizate de învățare în special în cazul seturilor mari de date, seturi care pot fi obținute prin automatizarea procesului de colectare.

Activitatea II.2 a avut ca scop crearea unui scenariu realist bazat pe tehnica de „urmărire a persoanei”, pentru validarea localizării precum și implementarea unui comportament simplificat de „urmărire a persoanei”. În cadrul acestei activități s-a propus un scenariu (articol submis la “IEEE Robotics & Automation Magazine”) în care mai mulți roboți colaborativi colectează date necesare localizării și apoi oferă servicii pe baza datelor colectate. S-a utilizat rețeaua YOLO2 pentru urmărirea de persoane. Aceasta este o metodă care dă rezultate invariante la iluminare și poziționare. Metoda este capabilă să detecteze persoane aflate în diferite poziții (în picioare, pe scaun, etc.). Este de asemenea capabilă să detecteze persoane aflate la o distanță de 3 metri de camera robotului. Un dezavantaj al acestei metode este faptul că necesită o putere de calcul considerabilă motiv pentru care, în funcție de capabilitățile platformei robotice, este potențial necesară prelucrarea informației pe un server extern și returnarea rezultatelor către platforma robotică.

Din scenariul prezentat în Activitatea II.2. Maparea mediului interior utilizând o platformă robotică a fost realizată atât cu robotul Turtlebot2 cât și cu Tiago. Maparea cu robotul Turtlebot2 a fost testată în clădirea Leu a Facultății de Electronică iar cea cu Tiago în clădirea Precis a Facultății de Automatică. Au fost testați diferiți algoritmi implementați în pachetele ROS. De asemenea, a fost implementat un algoritm de random walk și testat din punct de vedere al preciziei și robusteții. Utilizarea robotului Tiago a fost testată și în mediul de simulare Gazebo, în care au fost create spații aglomerate pentru a fi mapate și apoi navigate.

Această activitate a avut ca scop și identificarea drepturilor de proprietate intelectuală, care a constat în căutarea în baza de date EPO a brevetelor cu tematica următoare:

1. algoritmi de poziționare la interior pe baza amprentei puterii semnalului WiFi recepționat,
2. roboți care lucrează în colaborare pentru achiziția datelor din semnalele WiFi,
3. mașină de învățare pentru poziționare la interior pe baza amprentei puterii semnalului WiFi recepționat,
4. rețele neuronale pentru poziționare la interior pe baza amprentei puterii semnalului WiFi recepționat.

Activitatea II.4 a avut ca scop:

1. demonstrarea publică a rezultatelor la care au participat membrii ambelor organizații (UPB și CITST),
2. diseminarea proiectului atât prin realizarea și actualizarea paginii web (http://www.lomar.pub.ro),
3. cât și prin publicații științifice: Au fost realizate o publicație la manifestarea științifică The 12th Romanian International Conference on Communications, COMM 2018 și un articol aflat în evaluare la revista indexată ISI, cu factor de impact 3.276, IEEE Robotics & Automation Magazine.