Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. 1 Localización Ubicua y Distributiva de Aeronaves para Zona de Torre de Control Nieto Toapanta Néstor Rogelio. [email protected] Estudiante del Master Interuniversitario en Multimedia y Comunicaciones Universidad Carlos III de Madrid. Resumen— Dentro de una área determinada como zona de Torre de Control en cualquier Aeropuerto específicamente en las plataformas de aparcamiento de aviones se pretende implantar un número determinado de sensores que vienen a ser parte de una red de sensores para detectar y seguir el movimiento de aeronaves desde aéreas específicas como Taxis (vías de rodadura) hasta el aparcamiento o paso a otras áreas del aeropuerto. El proyecto pretende aprovechar la detección de la señal de potencia capturada por los sensores que es emitida desde la antena de una aeronave que se encuentra en tierra y que trabaja con su Transpondedor en modo S (transmisor-receptor para vigilancia en tierra) emitiendo señales de Squitter (señal de radiofrecuencia que una aeronave transmite regularmente mensajes conteniendo información de identificación y/o posición) que pueden ser localizadas por cualquier receptor trabajando en la frecuencia de 1090MHz, luego la señal de potencia recibida por los sensores es enviada a un centro de fusión de datos para ser procesados por medio de un Filtro de Partículas (FP) que será el encargado del seguimiento de la posición de la aeronave hasta su aparcamiento o paso a una zona determinada. Índice de Términos—Aeropuerto, Filtro de Partículas, Squitter, Transpondedor. I. INTRODUCCIÓN Las condiciones de visibilidad en un Aeropuerto determinan el mejor rendimiento de las operaciones aéreas, sin embargo cuando el clima cambia de forma dicha visibilidad se ve reducida y empiezan las operaciones a ser deficientes por retardos en arribos y despegues de las aeronaves, causando contratiempos para los pasajeros que requieren llegar a sus destinos. Una de las soluciones que por lo general se está utilizando en la actualidad, son los sistemas automáticos de vigilancia en tierra [1] para las Master Interuniversitario en Multimedia y Comunicaciones aeronaves, con ello se ayuda a mitigar el gran problema de la visibilidad y operaciones aéreas durante la noche, razón por lo cual es uno de los incentivos para proponer y desarrollar proyectos que ayuden a resolver muchos problemas causados por estos inconvenientes. Aprovechando hoy en día que los sensores pueden encontrarse en gran número de sistemas y dispositivos electrónicos podemos utilizar su capacidad para realizar medidas de una o más variables para el entorno presentado en este proyecto. Puesto que dichos sensores consideramos deben ser económicos, van a carecer de capacidad para procesar y analizar los datos por lo tanto planteamos un escenario de operación con un prototipo rápido que dispone una malla de sensores (J) instalados en cualquier plataforma de superficie cuadrada (L), donde observaciones de trayectoria de una aeronave son simuladas desde el centro del plano considerando que en este sitio se encuentra la torre de control. Los sensores trabajarían a una frecuencia de 1090MHz (f) para detectar la potencia irradiada de la aeronave en movimiento (Pt), una potencia umbral (Pumbr) que puede activar los sensores realiza las medidas de observación y luego transmitirá la información al centro de fusión de datos; consideramos que puede haber sensores defectuosos los cuales provocan falsas alarmas, tienen fallas o no transmiten. Con la información obtenida se procesa utilizando el FP para conseguir la trayectoria y posición estimada de la aeronave. El resto del artículo está organizado como sigue: La sección 2 explica las definiciones y suposiciones más importantes que se deben tomar en cuenta antes de la implementación del sistema. La sección 3 explica brevemente la definición y la estructura de un FP, así como la clase de filtro a utilizarse para el proyecto. La sección 4 describe el funcionamiento Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. del sistema adaptado para el entorno de la plataforma de dimensión L donde se ha desarrollado un algoritmo con diferentes parámetros de configuración para la simulación de la trayectoria de una aeronave. La sección 5 muestra los resultados obtenidos así como la estadística de los errores que se ha podido verificar en las simulaciones con la variación en los valores de parámetros que se consideran de importancia para la implementación del sistema. La sección 6 presenta las conclusiones y trabajos futuros que podrían tomar en cuenta este proyecto como base de una implantación real. II. DEFINICIONES Y SUPOSICIONES A. Escenario de Aeropuertos El proyecto pretende relacionar las especificaciones concernientes a las características de los aeropuertos a fin de que las condiciones se ajusten al movimiento de los aviones dentro de las plataformas y pistas de aterrizaje que se tenga a disposición, para lo cual el área definida considera elementos de criterio utilizados en el diseño de los aeródromos que se especifica por la Organización de Aviación Civil Internacional (OACI – ICAO) [2]. Bajo estas condiciones determinamos que el movimiento de las aeronaves estarán limitadas a elementos basados en la longitud y envergadura del avión para las maniobras dentro de las calles de taxi y superficies cercanas a edificios terminales y hangares, es decir deberíamos tener una longitud (L) que sea declarada disponible y adecuada para el recorrido en tierra de un avión que aterrice y despegue, dependiendo de las pistas que disponga el aeropuerto que de acuerdo a [2] se pueden resumir en la tabla 1: TABLA I Longitud de Pistas para Aeropuertos PISTA DESPEGUE ATERRIZAJE 09 2000 m 1850 m 27 2000 m 2000 m 17 No utilizable 1800 m 35 1800 No utilizable Bajo este criterio y considerando que el centro de observación del plano es la torre de control estableceremos una superficie cuadrada de lado L= Master Interuniversitario en Multimedia y Comunicaciones 2 800 m para cubrir el alcance de las pistas, que longitudinalmente cubriría una distribución uniforme de los sensores hasta unos 1600 m para la observación de la trayectoria de la aeronave. B. El Transpondedor Modo S El Transpondedor es un equipo que combina a un radio transmisor y receptor, el cual opera automáticamente transmitiendo datos en Modo S por medio de squitters [3] entre la aeronave y el Control de Trafico Aéreo (ATC) en tierra. El squitter emite una señal con un formato de transmisión de respuesta de una aeronave sin haber sido interrogada, regularmente como mensajes “squitter” conteniendo información tal como la posición o su identificación, que son transmitidos por la frecuencia de respuesta del radar secundario en 1090 MHz [4]. Para cuando una aeronave se encuentra en tierra las estaciones receptoras deben de tomar en cuenta las disposiciones técnicas que necesita el transpondedor Modo S para cuando cumple las funciones tanto de transmisor como de receptor con las siguientes características [5]-[6]: Se necesita radiodifusión continua del mensaje de posición en la superficie para permitir que funcionen los sistemas de multilateralización en la superficie. La frecuencia central en Modo S para recepción es 1090MHz con una tolerancia de ± 1MHz para todos los transpondedores. Si la aeronave esta en movimiento, las señales espontaneas de posición en la superficie se transmitirán 2 veces por segundo, y las señales espontaneas de identidad 1 vez cada 5 segundos. La potencia de transmisión normalizada de los equipos de abordo en tierra puede tener niveles de 70 W a 90 W de potencia isotrópica efectiva (EIRP) dependiendo del tipo de transpondedor, con lo cual se llegaría a potencias de pico aproximadas de 100 W a 127 W (20 dB a 21 dB) para los pulsos de transmisión de datos (squitters). El nivel umbral de activación mínimo (MTL) del receptor de abordo se especifica como -74 ±3 con una configuración de radiación omnidireccional apropiada en la mayoría de los casos. Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. C. Redes de Sensores Las redes de sensores pueden ser utilizadas para un confiable seguimiento de objetivos en aplicaciones de monitoreo [7], las cuales necesitan de la información que proveen los micro-sensores inalámbricos caracterizados por la transmisión mediante radio frecuencia hacia dispositivos con mayor capacidad de procesamiento o a un centro de fusión de datos que tenga incorporados algoritmos de seguimiento (tracking). Para nuestro caso del proyecto necesitamos que estos sensores sean de bajo consumo de energía, tamaño reducido, bajo coste económico y sobre todo que puedan trabajar por el rango de frecuencia entre los 1090 MHz ya que su función específica será la detección de potencia que emite el transpondedor de la aeronave, también influye su coste porque al tener una distribución homogénea sobre una plataforma cuadrada de lado L podemos aumentar la cantidad de sensores y demostrar por medio de simulaciones que mientras más cantidad sensores podamos implantar en una plataforma mejor será la predicción del seguimiento de una aeronave. D. Link Budget Consideramos para este proyecto que la sensibilidad del receptor no es crítica puesto que el escenario donde se encuentra implantada la red de sensores, en su mayor parte de la superficie tiene línea de vista y por lo general los obstáculos más representativos serán la zona de edificios del terminal de pasajeros. Como se indicó en la sección I de este documento, se toma en cuenta que el dispositivo receptor tiene un valor muy económico, entonces consideramos que el equipo debe ser genérico y disponer de una relación señal a ruido (SNR) de unos 15 a 17 dBs y con una figura de ruido NF [8] de 5dB, por lo tanto utilizando las ecuaciones de la referencia citada realizamos los siguientes cálculos: (1) Por lo que despejando en (1) tenemos el factor de ruido: Es decir que si tomaríamos una SNR de 17dB a la salida de la red y considerando el factor de ruido Master Interuniversitario en Multimedia y Comunicaciones 3 calculado, debemos obtener una SNR a la entrada del receptor utilizando (2): (2) Luego consideramos que para la implementación de algún algoritmo, el sistema de comunicaciones tiene asociado ruido en el enlace tanto por el transmisor y el receptor que será añadido a la señal mientras pasa a través del sistema pudiendo ser calculado mediante la siguiente formula [8]: (3) Dónde: = Potencia de ruido en vatios (W) = Constante de Boltzman ( ) = Temperatura del sistema generalmente asumido por 290 °K = Ancho de banda del canal en Hertz (Hz) Que expresado en dBm tenemos: (4) Por lo tanto para calcular una potencia mínima ( ) de detección en los sensores a implantarse dentro de la plataforma donde se moverá una aeronave y considerando que tenemos un ancho de banda (B) de 1 Megahertz (MHz) dentro del espectro de frecuencia para 1090 MHz [4], podemos encontrar dicha potencia: (5) Con lo cual el valor calculado se aproxima al nivel estándar establecido por la OACI [5]-[6] para la sensibilidad en el receptor con un nivel mínimo para la detección especificado anteriormente en el apartado B. Con este valor de podríamos calcular el radio de cobertura en recepción que debería tener la antena del sensor para el caso de una distancia máxima ( ) a la frecuencia de 1090MHz en donde podemos encontrar una aeronave en Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. aproximación, simplemente aplicando la ecuación de propagación de Friss [9], además consideramos una aproximación en el espacio libre con un factor de pérdidas de adaptación igual 1 ya que el sistema trabajara siempre con línea de vista y por lo general sin obstáculos para lo cual la formula tiene la siguiente expresión. simulación potencias mínimas (Pumbr) que según la tabla II podrían dar distancias de alcance razonables en una área de plataforma de aviones donde se encuentran los sensores implantados. TABLA II Cálculo de dmax para valores de Pmim (Pumbr) Pmin [dBm] Pmin [mW] dmax [m] -60,97 11.550 7,99* -50 3.267 1* -40 1.033 1* -30 326 1* -27 231 1,99* -21 116 7,94* -19 92 12,58* (6) Dónde: = Potencia detectada en el receptor (W) = Potencia que emite el trasmisor (W) = Ganancia de la antena trasmisora = Ganancia de la antena receptora = Longitud de onda de la frecuencia (m) = Distancia considerada desde la antena transmisora a la antena receptora del sistema (m) Por lo tanto despejando de (6) y sabiendo que tenemos: √ (7) Tomando en cuenta que la ganancia de la antena receptora ( ) debe ser igual 0 dB ya que la detección de la señal debe ser omnidireccional, su ganancia efectiva es igual a la unidad y solo deberíamos considerar el valor de la ganancia de la antena transmisora en la aeronave que típicamente se toma en cuenta valores entre 3,73 y 5,024 dB según [4]-[5]. Luego si en (7) es la velocidad de la luz y podemos ya tomar los valores anteriormente asignados como la , y para calcular y obtener el resultado de la distancia máxima en la recepción aplicando la ecuación (7). √ Esto es la distancia máxima que podría alcanzarse para una detección trabajando con el nivel límite de sensibilidad del receptor, por este motivo vamos a considerar en este proyecto y para el algoritmo de Master Interuniversitario en Multimedia y Comunicaciones 4 III. FILTRO DE PARTÍCULAS El filtro de partículas (FP) es un estimador recursivo probabilístico que basa su funcionamiento en la representación discreta de una función de densidad de probabilidad a estimar mediante un conjunto de n partículas (N) [10]. La idea para un algoritmo de filtro de partículas para el seguimiento de objetivos es crear unas hipotéticas trayectorias del estado (dejando propagar partículas) y a cada una de ellas atribuir unos pesos según mejor expliquen las observaciones, la estimación final del estado se hará con una media de las trayectorias ponderadas por los pesos. El desarrollo matemático permite encontrar una aproximación discreta de la densidad de probabilidad a posteriori p( x1:t y1:t ) p( x1 , x2 ,....xt y1 , y 2 ,.... yt ) , por lo cual la aproximación tendrá en cada paso un soporte discreto aleatorio definido por las partículas xti con i 1,2,....M ; a cada partícula estará asociado un peso wti ( 0 wti 1 ) elegido según el algoritmo que tenga implementado. Por lo tanto bajo este criterio el FP puede implementarse en base a los siguientes algoritmos [11]: Importance Sampling IS Bootstrap Filter BF (especial del SIR) Sequential Importance Sampling SIS Sequential Importance Resampling SIR Auxiliary Particle Filter APF El FP utiliza una de las fórmulas de implementación en tiempo real del filtro de Bayes, esta fórmula evita Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. tanto la discretización del espacio de estado como la linearización en el modelo del sistema, por lo tanto la estimación es más fiable en todo tipo de situaciones ya que no cuenta con restricciones y entonces podemos calcular la función de probabilidad en base a la siguiente formula [10][11]: M p( x1:t y1:t ) wti ( xt xti ) (8) i 1 Los pesos se calculan por: w i t p( y t xti ) p( xti xti1 ) p( x1i:t 1 y1:t 1 ) q( xti x1i:t 1 , y1:t ) q( x1i:t 1 y1:t 1 ) wti wti1 p( y t xti ) p( xti xti1 ) (9) q( xti x1i:t 1 , y1:t ) 5 A. Filtro de Partículas Aplicado Para este caso hemos utilizado el algoritmo del FP por el método basado en el re-muestreo eficiente de las muestras (Sequential Importance Resampling SIR), puesto que un algoritmo simple por lo general no guía bien las partículas hacia las zonas de la PDF con valores más grandes, la consecuencia es que las partículas llegan poco a poco a zonas donde los valores de la PDF son casi nulos; por lo tanto la idea es dar más importancia a las partículas con mayor peso (multiplicarlas). El resampling consiste en re-muestrear las partículas a partir de la distribución de los pesos: las partículas con pesos de valor pequeño no estarán muestreadas más, mientras que las partículas con peso alto estarán muestreadas varias veces. La figura 1 presenta la implementación del algoritmo para este método: Que es la relación recursiva sobre los pesos que se desea hallar y por lo tanto los distintos tipos de filtros de partículas se distinguen sobre todo por la elección de la función q(...) . La elección óptima que minimiza la varianza de los pesos es q( xt x1:t 1 , y1:t ) p( xt xt 1 , yt ) y en este caso los pesos se actualizarían por: wti wti1 p( yt xti1 ) (10) Pero en muchos casos no es posible utilizar esta función (porque no es sencillo calcular p( yt xti1 ) ) y es por eso que se busca una diferente función de densidad de probabilidad (PDF). Usualmente se elige q( xt x1:t 1 , y1:t ) p( xt xt 1 ) : wti wti1 p( yt xti ) (11) Luego los pesos pueden ser normalizados por: wti i wt M w (12) i t i Master Interuniversitario en Multimedia y Comunicaciones Fig.1 – Algoritmo Filtro de Partículas por el método SIR. IV. PRESENTACIÓN DEL SISTEMA El escenario presentado para el proyecto es un clásico problema de tracking donde el estado está compuesto por la posición y la velocidad, esta última está sujeta a una desconocida aceleración. Utilizaremos sensores fijos J que pueden variar en cantidad sobre una malla cuadrada de lado L= 800 m distribuidos uniformemente en un plano de dos dimensiones para definir unívocamente la trayectoria de una aeronave que ha ingresado con Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. autorización del Controlador de Trafico Aéreo (ATC) a la plataforma destinada para el aparcamiento o paso. Nuestras medidas serán potencias relativas calculadas con la ecuación de Friss en función de la proximidad entre la aeronave y nuestros sensores, teniendo en cuenta que para activar los sensores se considera una potencia umbral Pumbr= -19 dBm, establecido por el valor de la Tabla I. También como los sensores pueden crear una cierta incertidumbre en la detección de la posición de una aeronave, el algoritmo que se implementa toma en cuenta un límite de precisión del 90%, puesto que si el entorno fuera real según [1]-[5] determina desde un 97% hasta un 99.9% para situaciones críticas, por eso consideramos pertinente tener dos afirmaciones: 1) La posibilidad que los sensores no detecten o tengan un fallo en un 10% del total se considera con una variable a=0.1. 2) La posibilidad que los sensores creen falsas alarmas o detecten por debajo del valor de la Pumbr establecido, en un 8% del total se considera con una variable b=0.08. El resto de valores como f= 1090 MHz, Pt= 70 W, Gt= 5.024 dB, Gr= 0 dB, para el cálculo de la potencia recibida en los sensores se ha referenciado de acuerdo a los parámetros mencionados en el apartado III de este artículo. Como el algoritmo considera que la ecuación de Friss trabaja en el espacio libre aprovechamos la inserción de ruidos gaussianos como parte aleatoria en todo el sistema. Con todo esto nuestro escenario se traduce matemáticamente en una ecuación dinámica lineal para el estado y una ecuación de las observaciones no lineal y por lo tanto podemos utilizar un método subóptimo como el FP para estimar la trayectoria. En Formulas nuestro sistema es: { ‖ ‖ (13) Master Interuniversitario en Multimedia y Comunicaciones 6 Dónde: p ( j ) Pumbr 0 prob : 1 a 0 T 0 1 0 T 1 prob : a ,C p ( j ) Pumbr 0 1 0 0 prob : 1 b 0 0 1 1 prob : b u (t ) ~ N (0, 2 ) 1 0 A 0 0 Es fácil notar que la matriz A es la que decide la dinámica del sistema siendo T el periodo de observación que para las simulaciones toma el valor de T=1 segundo. Entonces nuestro vector de estado será: x1 (t ) rx (t ) x (t ) r (t ) y x (t ) 2 v x (t ) x3 (t ) x 4 (t ) v y (t ) (14) Es decir que de las cuatro componentes de posición y velocidad consideramos solo las dos componentes del estado que se refieren a la posición: x (t ) rx (t ) x1, 2 (t ) 1 (15) x2 (t ) ry (t ) Por otra parte, la matriz J contiene las posiciones en el plano de los sensores: ⃗ [ ] (16) Entonces nuestro vector de las observaciones será un vector 4 1 donde cada componente corresponde a una medida detectada por cada sensor: y1 (t ) y (t ) y (t ) 2 (19) y 3 (t ) y 4 (t ) Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. V. SIMULACIONES REALIZADAS En esta sección se presentaran los resultados obtenidos para simulaciones de la trayectoria de una aeronave sobre una plataforma cuadrada en base a pruebas realizadas con todos nuestros parámetros del sistema que ya fueron fijados y justificados en el apartado anterior del este artículo, pero para esto también se ha tomado en cuenta las medidas de error que vamos a tener tomando en cuenta la siguiente formulación: Como nuestro algoritmo puede encontrar los valores de la posición estimada con respecto a la posición real de la aeronave el error de posición que se comete en cada instante de tiempo viene determinado por: 7 A. Resultados en Trayectorias Individuales La figura 1 muestra el seguimiento en la trayectoria de una aeronave sobre una plataforma cuya dimensión longitudinal de 1600 m se ha adaptado a su movimiento, con una cantidad de 81 sensores que se encuentran distribuidos uniformemente y se ha utilizado 300 partículas para el filtro. En el tiempo de observación t=500 segundos se verifica el posicionamiento final de la aeronave que ha quedado aparcada. También se puede apreciar como la trayectoria estimada por el filtro tiene una mayor precisión cuando el camino real es rectilíneo mientras que en las curvas tiene mayor imprecisión. No obstante, el problema no es crítico puesto que en un ambiente real de la plataforma hay pocas curvas para los virajes. (20) Seguimiento de un avión 800 √ 600 TRAYECTORIA REAL 400 Posición en Y [m] Con = error instantáneo en el tiempo para cada posición. Entonces el error cuadrático instantáneo en el tiempo para cada posición de la trayectoria lo obtenemos como: Real Estimada SENSORES TRAYECTORIA RECONSTRUIDA 200 -461 111 POSICION FINAL 0 -200 (21) -400 Dónde: = error cuadrático instantáneo para cada posición de la trayectoria. = posición real de la aeronave sobre el eje X = posición real de la aeronave sobre el eje Y = posición estimada de la aeronave sobre el eje X =posición estimada de la aeronave sobre el eje Y Por lo tanto para calcular el error cuadrático medio (MSE) en una trayectoria tenemos: ∑ (22) Con esto ya podemos calcular el MSE-Total cuando realizamos simulaciones (S) para múltiples trayectorias por medio de: ∑ (23) Master Interuniversitario en Multimedia y Comunicaciones -600 -800 -800 -600 -400 -200 0 200 Posición en X [m] 400 600 800 Fig.2 – Trayectoria1 sobre L=800m, con J=81 y N=300. En la figura 3 tenemos la gráfica del error cuadrático instantáneo (EC) para la trayectoria de la figura anterior que según la formula (21) nos va proporcionando el error de la posición por cada instante de tiempo, a lo largo de la observación. Es fácil apreciar que la mayor parte de los fallos en el acierto de la posición se cometen cuando la aeronave ha realizado un viraje. Pero si consideramos que el MSE promedio, calculado por (22), el resultado final es de 14.95 m, por lo que tenemos una buena estima para la posición final de la aeronave. Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. 8 100 TRAYECTORIAS SIMULADAS 50 140 Partículas N=100 Partículas N=300 Partículas N=500 45 Error Cuadrático Medio Total (MSE-Total) [m] 120 Error Cuadrático en Trayectoria [m] 40 35 30 25 20 15 10 100 80 60 40 20 5 0 0 0 50 100 150 200 250 t [s] 300 350 400 450 500 Fig.3 – Error Cuadrático Instantáneo (EC) sobre L=800m, con J=81 y N=300. B. Resultados para Múltiples Trayectorias Queremos estimar el MSE-Total (23) del filtro de partículas con un intervalo de confianza del 95%, cuando variamos la cantidad de sensores J entre 9, 25, 49, 75 y 100. Asimismo, variamos la cantidad de partículas N entre 100, 300 y 500. En la figura 4 podemos verificar el impacto de las 100 simulaciones (con trayectorias aleatorias) realizadas considerando los parámetros críticos que pueden variar en cada una de las trayectorias efectuadas por una aeronave. Claramente podemos ver que un número creciente del número de partículas en el filtro, reduce la MSE-Total del filtro de partículas para cada configuración de sensores. Asimismo, para un número de partículas del filtro constante y un número de sensores creciente, vemos una curva del MSE-Total que converge a un valor estable para 100 sensores.Por tanto, un incremento del número de sensores no redundaría en una reducción apreciable en el error cuadrático de la estimación de la posición. Master Interuniversitario en Multimedia y Comunicaciones 0 10 20 30 40 50 60 SENSORES 70 80 90 100 Fig.4 – Error Cuadrático Medio Total para 100 trayectorias simuladas variando J y con diferente N en el FP. C. Resultados al Problema del Proyecto Como podemos observar en la figura 4 y por las simulaciones realizadas, nuestro peor caso de convergencia en la estimación de las trayectorias se tiene para cuando nuestro filtro de partículas trabaja con una cantidad de N= 100 partículas, alcanzando el valor del MSE-Total igual a 20 m con aproximadamente 90 sensores. Es decir, nuestro problema inicial, la determinación de la posición de una aeronave con una precisión cercana a su tamaño, quedaría resuelto. Si tomamos en cuenta los valores del diseño para una área de taxi en el que nuestro entorno fuera un aeropuerto tipo estándar según [1], y con el detalle de las dimensiones que se muestra en la figura 5 respecto a la envergadura de una aeronave, consideramos que nos encontramos con los parámetros adecuados para la localización de la aeronave dentro de la plataforma. También podríamos obtener resultados más precisos si deseamos un MSE-Total igual a 10 m para cuando se tenga aeronaves más pequeñas, simplemente ajustando el algoritmo para que pueda trabajar con 75 sensores pero con N= 500 partículas; ahorrando casi un 25% en la implantación de los sensores para poderlos ubicar en otra plataforma que necesite de nuestro sistema. Universidad Carlos III de Madrid. Nieto Néstor. Localización Ubicua y Distributiva de Aeronaves. Fig.5 – Dimensiones estándar para el diseño de la calle de rodaje (taxi) de un aeropuerto tipo E [1]. VI. CONCLUSIONES Y TRABAJO FUTURO El algoritmo implementado para el proyecto sirve como base para el seguimiento de una aeronave sobre una plataforma específica tomando en cuenta que el ingreso o salida a la plataforma es coordinada por el ATC que determina la autorización del movimiento de aeronaves sobre la superficie. Es importante destacar que nuestras medidas están relacionadas solo con la posición de nuestro objetivo; no tenemos ninguna información directa sobre la velocidad ya que el alcance del proyecto fue planificado específicamente para estimar la posición aunque indirectamente estimamos todo el vector de estado. Sería interesante ampliar el estudio y verificar que puede suceder en un ambiente real puesto que hay muchas variables del entorno que no han sido consideradas y esto puede ayudar a refinar nuestro algoritmo implementado para este proyecto. AGRADECIMIENTOS Se agradece al Gobierno del Ecuador por medio de la SENESCYT (Secretaría Nacional de Educación Superior Ciencia Tecnología e Innovación) el soporte financiero, que patrocinaron el Programa de Becas Convocatoria Abierta 2011. REFERENCIAS [1] International Civil Aviation Organization, “Advanced Surface Movement Guidance and Control Systems (ASMGCS)”, Doc 9830 AN/452, First Edition, 2004, pp. 952. Master Interuniversitario en Multimedia y Comunicaciones 9 [2] Organización de Aviación Civil Internacional, “Manual de diseño de aeródromos”, Doc 9157 AN/901, Tercera Edición, 2006, pp. 10-52. [3] R. Boisvert and V. Orlando “ADS- Mode S system overview”, Digital Avionics Systems, Conference 12th DASC.-AIAA/IEEE, 25-28 Oct 1993, Lincoln Lab., MIT, Lexington, MA, 1993, pp. 104-109. [4] Instituto Dominicano de Aviación Civil, “Sistema de Radar de Vigilancia y Sistema Anticolisión”, Reglamento Aeronáutico Dominicano, Rad10-Vol4, Republica Dominicana, Octubre 2008, pp. 1-54 [5] Organización de Aviación Civil Internacional, “Disposiciones técnicas sobre servicios en Modo S y señales espontáneas ampliadas”, Doc9871-AN/464, Primera Edición, University Street, Montreal, Quebec, Canadá, 2008, pp. 32-220. [6] Funkwerk Avionics GmbH, “Mode A/C-S Transponder TRT800H-OLED Manual”, Doc 03.2123.01071 Rev 1.03, Germany, July 2010, pp. 34-38. [7] I. Akyildiz and M. Vuran, “Wireless Sensor Networks”, Wiley & Sons Ltd., West Sussex, UK, 2010, pp. 139-284 [8] C. Bowick, “RF Circuit Design”, Newnes, Indianapolis, HW, 1982, pp. 138-169. [9] C. Balanis, “Antenna Theory Analysis and Design”, Wiley, Third Edition, Hoboken, New Jersey, 2005, pp. 94-98. [10] M. Arulampalam, S. Maskell, N. Gordon and T. Clapp, “A Tutorial on Particle Filters for Online Nonlinear/NonGaussian Bayesian Tracking”, IEEE Trans. on Signal Processing, Vol. 50, No. 2, February 2002, pp. 174-188. [11] S. Godsill and T. Clapp, “Improvement Strategies for Monte Carlo Particle Filters”, Sequential Monte Carlo Methods in Practice, A. Doucet and J. Gordon, Eds, New York: Springer, 2001, pp. 1-18. Néstor Nieto Graduado de ingeniería informática con especialidad de redes de información en el año 2002 de la Escuela Politécnica Nacional en Quito, Ecuador. Desde el año 2002 trabaja en la Dirección General de Aviación Civil (DAC) empresa de gobierno que se dedica a la aeronáutica en todo el Ecuador, es funcionario especializado en telecomunicaciones y sistemas electrónicos de aeropuertos.