在物聯網應用中，人工智能最常用于數據堆棧的“頂端”——對通常來自多個來源的大型數據集進行操作。 例如，在醫院環境中，人工智能和實時定位系統可用于預測分析：您能否根據天氣預測急診室入院率? 您能否根據使用情況更好地估計設備何時需要維護?

　　然而，在每個物聯網堆棧的“底層”，人工智能開始應用于傳感器本身，并產生非常重要的影響：人工智能使低質量的傳感器能夠實現非常高質量的性能，從而帶來一直以來的投資回報。 到目前為止，許多物聯網解決方案中還沒有出現這種情況。

　　人工智能和實時定位系統

　　人工智能在傳感器中的應用之一是實時定位系統 (RTLS)。 許多行業都采用人工智能和實時定位系統來跟蹤移動資產，以更好地監控、優化和自動化關鍵流程。

　　醫院中一個簡單的例子是潔凈設備室的管理——遍布整個醫院的儲藏室，存放潔凈設備以供使用。 需要設備的護士應該能夠在潔凈室中準確找到他們需要的東西。

　　然而，如果潔凈室的庫存水平沒有得到正確的維護，那么設備可能無法使用，迫使醫院進行長時間的搜索，從而影響患者安全和員工的生產力，最終迫使醫院過度購買昂貴的設備(通常是兩倍)，以確保有多余的可用性。

　　如果您可以自動確定設備的位置，您就可以輕松跟蹤每個潔凈室中可用設備的數量，并在庫存不足時自動觸發補貨。 這是 RTLS 的一種用途，其中要求確定設備位于哪個房間。是在病房中嗎? 那么就無法使用了。 是在潔凈室里嗎? 然后它會影響可用設備的數量。

　　如果您可以自動確定設備的位置，您就可以輕松地跟蹤每個潔凈室中可用設備的數量，并在庫存不足時自動觸發補充。這是RTLS的一個用途，需要確定設備在哪個房間。是在病房里嗎?那就沒貨了。它在一個干凈的房間里嗎?那么它會影響可用設備的數量。

　　因此，以非常高的置信度確定設備位于哪個房間是至關重要的:位置錯誤使您認為您正在尋找的三個IV泵在12號病房，而實際上它們在隔壁的潔凈室中，這將由于過高估計可用的泵而導致過程中斷。

　　使用RTLS時，移動標簽貼在資產上，固定的基礎設施(通常在天花板上或墻上)決定標簽的位置。各種無線技術被用來實現這一點，這就是人工智能正在產生重大積極影響的地方。所使用的技術屬于兩個陣營之一:

　　1.不穿墻的無線技術，例如超聲波和紅外線。通過在每個房間放置一個接收器并監聽傳輸的移動標簽，可以實現房間級別的準確性。如果你能聽到標簽，那一定是和你在同一個房間。實現了房間級別的精度。

　　2.穿透墻壁的無線技術，例如Wi-Fi和藍牙(最常見的是藍牙低能耗或BLE)。接收器遍布整個建筑，測量接收到的標簽傳輸的信號強度，通過算法確定標簽的位置。

　　常見問題

　　1號營地的問題是多方面的——非穿墻技術。當有人把門打開時會發生什么?(這是大多數醫院的常見政策)。在沒有墻壁的情況下，如何確定設備的位置?(設備通常存放在露天區域)。

　　答案是在每個房間都放置一個設備的成本已經非常高的要求基礎上添加越來越多的基礎設施設備，這意味著這些解決方案很快就會變得成本高昂，而且部署起來非常麻煩。

　　2號營地需要更少的基礎設施，從價格角度來看更具吸引力，但也有局限性。在多個固定接收器處測量從單個標簽接收的信號強度支持標簽位置的確定性計算。通過使用信號強度如何隨距離下降的通用模型，可以進行粗略的距離估計，并且三個距離估計產生2D位置估計。軟件中的地理圍欄將這些二維坐標轉換為房間占用率。

　　問題是，信號在范圍內下降的方式是復雜而混亂的，不僅受到信號阻塞(墻壁、設備、人員)的影響，還受到多個信號反射的相互作用(“多徑衰落”)的影響。最終的結果是，位置的確定精度為8到10米或更差，幾乎不足以確定物體所在的房間。

　　機器學習

　　具有機器學習背景的人可能已經發現了一個機會：確定物體所在的房間不是跟蹤問題，而是分類問題。 與所有的頓悟一樣，新一代的實時定位系統公司需要從他們的算法中退一步，以新的眼光來看待這個問題。 正是在這里，人工智能正在改變 RTLS。

　　如果您可以利用 2 號營地的低成本技術來實現與 1 號營地相同的性能水平會怎么樣? 如果您可以在不付出成本的情況下提供所有價值怎么辦? 通過利用 BLE 傳感器并應用機器學習，這正是人工智能為派對帶來的效果。

　　為什么不利用信號強度作為特征來訓練分類算法，而不是根據信號強度做出非常差的范圍估計呢? 由于信號穿透多堵墻，單個標簽可以聽到來自多個固定基礎設施設備的信號，這些設備提供大量功能，可以對房間占用情況進行非常高置信度的推斷。 AI 在安裝過程中接受一次訓練，學習足以區分房間 1 和房間 2 等的特征。

　　這是思維方式的根本性轉變，具有非常深遠的成果。 對于傳統 Wi-Fi 和 BLE 系統，建筑物中的混沌信號傳播會造成信號強度的巨大變化，從而混淆范圍估計算法。

　　結果是精度非常差，但相反，從一個地方到另一個地方信號強度的相同變化正是使 ML 成為如此強大工具的特征變化。 碾壓傳統方法的信號傳播特性正是人工智能所需的素材。

　　RTLS 已經進入了一個新時代，在云大小的大腦上運行的復雜機器學習算法可以采用分類方法來定位對象。 人工智能和實時定位系統的成果是高性能、低成本的傳感器，這些傳感器正在改進關鍵流程，并使醫院能夠以更低的成本提供更好的服務并取得更好的結果。