Determinando Posições Relativas de Nós Móveis por meio de Bluetooth e Aprendizado de Máquina

Transcrição

1 Determinando Posições Relativas de Nós Móveis por meio de Bluetooth e Aprendizado de Máquina Sérgio H. M. Marinello 1,2, Jó Ueyama 1, Gustavo Pessin 1,3, Fernando S. Osório 1, Patrícia A. Vargas 3 1 Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) São Carlos, SP, Brasil 2 Escola de Engenharia de São Carlos (EESC) Universidade de São Paulo (USP) São Carlos, SP, Brasil 3 School of Mathematical and Computer Sciences (MACS) Heriot-Watt University Edinburgh, UK sergiomarinello@gmail.com, joueyama@icmc.usp.br {pessin, fosorio}@icmc.usp.br, p.a.vargas@hw.ac.uk Resumo. O objetivo deste artigo é detalhar o modelo, a implementação e a avaliação do uso da tecnologia Bluetooth para a determinação da posição relativa de um nó móvel. O estudo de posição relativa é um primeiro passo para estudos de localização e mapeamento, que tem aplicação importante nas áreas de robótica autônoma e de redes de sensores sem fio. Neste artigo avaliamos três diferentes métricas de obtenção de sinal Bluetooth: dois tipos de métrica de tempo (ping) e uma métrica de potência (Received Signal Strength Indicator RSSI). Após a escolha da melhor métrica, utilizamos duas técnicas de aprendizado de máquina para o aprendizado da posição do nó móvel: Redes Neurais Artificiais e Máquinas de Vetores de Suporte (Support Vector Machine). Os resultados deixam claro que existem grandes diferenças entre as métricas de obtenção de sinal, entretanto, não existem grandes diferenças entre as técnicas de aprendizado de máquina utilizadas. Abstract. In this paper we describe the model, implementation and evaluation of using Bluetooth technology to determine the relative position of a mobile node. The study of relative position is a first step in localization and mapping schemes, which have important application in the areas of autonomous robotics and wireless sensor networks. We have evaluated three different metrics: two types of ping and the Received Signal Strength Indicator (RSSI). After choosing the best metric to obtain the Bluetooth signal, we have used two machine learning techniques to learn the position of the node: Artificial Neural Networks and Support Vector Machines. The results show that there are great differences between the metrics to obtain the Bluetooth signal, however, there are no major differences amongst the machine learning techniques employed. 1. Introdução Estimar corretamente a posição é um pressuposto básico para a realização de diversas tarefas nas áreas de robótica móvel autônoma [Pessin et al. 2010, Siegwart et al. 2011]

2 e de redes de sensores sem fio [Zhao and Guibas 2004, Costa et al. 2012]. Ainda, o conhecimento sobre localização pode também ser usando para rastrear animais e pessoas (e.g. rastrear o movimento de pessoas enquanto praticando esportes). Embora sendo um sistema de localização popular e podendo ser utilizado para a determinação da posição absoluta, o Global Positioning System (GPS) é adequado para ambientes externos não possuindo um bom desempenho em ambientes internos [Gwon et al. 2004]. Em ambientes internos, sensores como lasers e câmeras podem ser utilizados para estimação de posição [Napier et al. 2010]. Entretanto, tais sensores usualmente necessitam de marcos (landmarks) no ambiente e dependem de algoritmos que necessitam de grande poder computacional. Ainda, tais sensores têm campos de visão limitados, o que dificulta a tarefa de obtenção de posição. No caso de câmeras, a variação na iluminação é ainda um outro grande problema [Souza et al. 2012]. Um tipo de sensor que não depende de grande poder computacional são os do tipo encoders [Martinelli 2002], que provêm odometria. Odometria é realmente útil em diversos casos porém apresenta um erro incremental que não pode ser ignorado na maioria dos sistemas reais. Bluetooth, assim como outras tecnologias de rede sem fio, são cada vez mais disponíveis em ambientes internos. E, como uma metáfora do modelo utilizado pelo sistema de GPS, o sinal de dispositivos sem fio pode ser utilizado para obtenção de posição [Pessin et al. 2011]. Neste trabalho avaliamos a tecnologia Bluetooth por ser mais disponível em aparelhos móveis e por utilizar menos bateria do que rede sem fio convencional. Ainda, o uso de aprendizado de máquina se faz importante por dois motivos: (i) queremos evitar o uso de funções matemáticas, visto que as mesmas são modelos teóricos cuja adaptação a ambientes dinâmicos é muito difícil de ser realizada e (ii) o sinal obtido pelos dispositivos apresenta grande flutuação; esperamos que as técnicas de aprendizado de máquina possam reduzir tal efeito. Sendo assim, inicialmente avaliamos três diferentes métricas de obtenção de sinal Bluetooth, duas baseadas em tempo (ping) e uma baseada em potência (RSSI). Em seguida, utilizamos duas técnicas de aprendizado de máquina para o aprendizado da posição do nó móvel: Redes Neurais Artificiais e Máquinas de Vetores de Suporte. Detalhes do modelo proposto serão descritos na Seção 3. Este artigo possui a seguinte estrutura: A Seção 2 descreve a base conceitual do trabalho, apresentando sucintamente aspectos relacionados a tecnologia de rede escolhida bem como as técnicas de Aprendizado de Máquina. A Seção 3 detalha a metodologia do trabalho. A Seção 4 apresenta a análise e o resultado da avaliação de diferentes métricas obtidas a partir do dispositivo Bluetooth. A seção 5 apresenta a análise e o resultado da avaliação das técnicas de aprendizado de máquina. Na Seção 6 concluímos o trabalho e apresentamos possíveis trabalhos futuros esperados nesta área de pesquisa. 2. Base Conceitual 2.1. Bluetooth Bluetooth é uma tecnologia que permite a comunicação entre dispositivos de curto alcance e com um baixo consumo de energia e custo, sendo originalmente desenvolvida pela Ericsson Mobile Communications. Em 1998, a Ericsson juntamente com IBM, Intel, Nokia e Toshiba formaram um grupo que teria a função de promoção e desenvolvimento desta tecnologia denominado Bluetooth Special Interest Group (SIG) [Miller 2001]. A

3 popularização desta tecnologia é identificada por sua disponibilidade em quase todos os celulares modernos. O Bluetooth é capaz de lidar com vários canais de transporte de dados: assíncronos, isosíncronos e síncronos, sendo também possível o trabalho simultâneo com tráfego assíncrono (dados) e síncrono (voz) [Gehrmann et al. 2004]. A rede Bluetooth é uma rede ad-hoc, ou seja, não há a necessidade de uma estrutura pré-instalada e configurada como roteadores ou servidores. A comunicação em Bluetooth se baseia no princípio mestre-escravo onde uma dada rede, denominada picorede ou piconet, possui apenas um mestre e este pode ter simultaneamente, no máximo, 7 escravos ativos e 255 dispositivos inativos [Miller 2001, Labiod et al. 2007]. O Bluetooth possui dois estados principais, que são Connection e Standby. O estado Standby se dá quando o dispositivo não está conectado a nenhuma piconet e, caso contrário, estará no estado Connection. No modo Standby o dispositivo fica alternando periodicamente entre desligado (no intuito de economizar energia) e ligado (verificação da existência de algum dispositivo tentando estabelecer uma conexão) [Miller 2001]. Quando um dispositivo entra no estado Connection este pode ter quatro modos disponíveis, que são: Active: modo que consiste na operação ativa do dispositivo com transmissão e recepção de dados. Sniff : modo em que dispositivo irá escutar a rede a uma taxa reduzida alterando de tempos em tempos o seu estado ativo e inativo. Hold: modo que possui um consumo de energia menor que o modo Sniff, mas ainda permite que um dispositivo escravo possa reiniciar a transmissão de dados quando sair deste modo. Uma de suas principais utilidades é a de possibilitar que um dispositivo se conecte a outra piconet. Park: modo em que o escravo se mantém na maior parte do tempo inativo, mas ainda possui sincronização com a rede devido aos pacotes beacons que o mestre envia. Para que ocorra a comunicação é necessário que se tenha o conhecimento dos dispositivos próximos, essa fase é conhecida como discovery e, após isso, é iniciado os processos de inquiring e paging e por fim a conexão é estabelecida permitindo a comunicação entre os dispositivos [Labiod et al. 2007]. Para iniciar a comunicação, primeiramente, um dispositivo deve procurar e detectar os demais existentes no raio de cobertura, ou seja, descobrir o endereço MAC (Media Access Control) destes (utilizando inquiry). Uma vez detectado o endereço do dispositivo é possível conectar-se utilizando page. O dispositivo que realizar primeiramente inquiry e o page será o mestre da picorede. Por questão de privacidade e consumo, um dispositivo Bluetooth pode decidir se informará o seu endereço somente quando possuir seu inquiry scan ativo ou permitir a conexão somente quando o seu page scan estiver ativo [Huang and Rudolph 2007] Aprendizado de Máquina Aprendizado de Máquina (Machine Learning ML) é uma área da Inteligência Artificial que tem como objetivo desenvolver técnicas computacionais de aprendizado e de aquisição de conhecimentos [Mitchell 1997, Baranauskas and Monard 2003]. Essas técnicas devem exibir comportamento inteligente e realizar tarefas complexas com um nível de competência equivalente ou superior ao de um especialista humano [Nikolopoulos 1997]. Das diversas técnicas de ML existentes, pode-se dizer que a grande maioria tem focos em grupos relativamente específicos de aplicações. É difícil imaginar uma

4 técnica que seja capaz de resolver todas as gamas de problemas que envolvam aprendizado automático, seja ele supervisionado, não supervisionado ou semi-supervisionado [Mitchell 1997]. No aprendizado supervisionado, há um supervisor no qual fornece um conjunto de exemplos (instâncias) com seus respectivos atributos de entradas e de saídas (rótulos) sendo utilizados pelo algoritmo de aprendizado para gerar um modelo e assim classificar novas entradas. Quando um problema possui rótulo possui um valor discreto, este é denominado classificação e, caso seja contínuo, é chamado regressão. No aprendizado não-supervisionado, não há um supervisor para acompanhar o processo de aprendizado, ou seja, para estes algoritmos apenas as entradas estão disponíveis e devem determinar a melhor forma de agrupar as instâncias. Esse paradigma é muito utilizado para encontrar, agrupar e extrair características de um conjunto de dados. O aprendizado por reforço pode ser visto como um caso particular de aprendizado supervisionado. A principal diferença é que no aprendizado supervisionado é utilizado o critério de erro conhecido enquanto que no aprendizado por esforço pode ser qualquer métrica fornecida pelo sistema. Nesse paradigma, quando a resposta obtida for a desejada ocorre a recompensa e, caso contrário, punição fazendo com que o algoritmo se ajuste melhor às situações de recompensa [Braga et al. 2000]. O aprendizado por competição pode ser considerado um caso particular do aprendizado não-supervisionado. O funcionamento se baseia em um dado padrão de entrada haverá uma disputa entre as saídas pela ativação. A saída ativada tem o seu peso atualizado. Com o passar do tempo, a unidade de saída mais forte, ou seja, aquela que foi ativada mais vezes, terá o papel dominante e as demais serão inibidas e até inativadas. Geralmente, a unidade de saída que possuir a maior ativação inicial será a vencedora [Braga et al. 2000]. Redes Neurais Artificiais (RNAs) são um método de ML que se baseia em uma metáfora do comportamento do cérebro. São formadas por unidades de processamento simples denominados neurônios e estas são responsáveis pelo cálculo de determinadas funções matemáticas. Os neurônios ficam organizados em uma ou mais camadas e interligadas por conexões [Braga et al. 2000]. A arquitetura utilizada na rede neural depende do tipo de problema que esta se propõe a resolver. As RNAs com apenas uma camada são suficientes para se resolver problemas linearmente separáveis, ou seja, aqueles que podem ser resolvidos com a separação dos elementos utilizando-se de uma reta ou hiperplano, porém, redes recorrentes (redes que possuem realimentação ou feedback) são recomendadas para problemas que envolvem a variável tempo. Uma arquitetura é definida por vários parâmetros e estes são: número de camadas, número de neurônios em cada camada, tipo de conexão entre cada neurônio (podendo ser ou feedback ou feedforward). Em redes de múltiplas camadas temos a camada de entrada que é responsável por apresentar as entradas à rede, as camadas intermediárias responsáveis pela maior parte do processamento da rede neural, através dos pesos das conexões e a camada de saída na qual termina o processo e apresentada o resultado final. Máquinas de Vetores de Suporte (Support Vector Machine SVM) é uma técnica de ML supervisionada e é baseada na teoria de aprendizado estatístico [Vapnik 2005]. Quando um conjunto de dados é linearmente separável são utilizados hiperplanos para que haja a separação dos dados em classes com a maior margem de separação possível, caso contrário, busca-se determinar a função de mapeamento apropriada, que é aquela que

5 transforma o conjunto mapeado em linearmente separável [Lorena and Carvalho 2003]. Os vetores de suporte (support vectors) são um pequeno número de instâncias posicionadas nas fronteiras críticas de cada classe. Estes são utilizados para se obter a função discriminante, que permitirá com que se obtenha a máxima separação possível dos hiperplanos [Witten et al. 2011]. 3. Metodologia A Figura 1 apresenta uma foto do ambiente utilizado para a coleta de dados. São apresentados na imagem dois dispositivos Bluetooth (um computador e um celular). Ainda, são apresentadas as marcações de distância utilizadas como medidas. O dispositivo Bluetooth acoplado ao computador é fabricado pela Cambridge Silicon Radio. O outro dispositivo Bluetooth é um celular Nokia Figura 1. Foto do ambiente utilizado para a coleta de dados. Setas amarelas apresentam os dispositivos Bluetooth. Em vermelho são apresentadas as marcações de distância utilizadas como medidas. São realizados dois passos de avaliação. No primeiro passo temos como objetivo verificar qual das métricas (de tempo ou de potência) é a mais indicada para o aprendizado (menor sobreposição nas classes). No segundo passo, usamos técnicas de aprendizado de máquina para aprender as posições relativas (distância) entre os dispositivos. A análise da sobreposição dos conjuntos será feita com o auxílio de boxplots. A coleta de dados foi realizada em sete pontos (Fig. 1), nas respectivas distâncias: {20 cm, 40 cm, 60 cm, 80 cm, 1 m, 2 m, 3 m}. Em cada um destes pontos foram realizadas 80 leituras. Ainda, em cada um destes pontos foram obtidos três diferentes valores: (i) tempo de ping modo default, (ii) tempo de ping modo flood (não existe atraso entre o envio dos pacotes), e (iii) Received Signal Strength Indication (RSSI). Para obter o tempo de ping no dispositivo bluetooth utilizamos o comando l2ping 2. O valor do RSSI 3 é possível de ser obtido por meio de uma conexão entre os dispositivos, utilizando o pacote hcitool (GNU/Linux). 1 Embora tenhamos utilizado dispositivos específicos, o modelo proposto pode ser utilizado em qualquer tipo de dispositivo com suporte a Bluetooth. 2 A ferramenta l2ping (GNU/Linux) envia pacotes de requisição de eco L2CAP, sendo útil para o teste e análise de comunicações com outro dispositivo e necessita apenas o endereço MAC. 3 RSSI é uma métrica que quantifica a potência do sinal recebida pela antena do dispositivo receptor; diminui com a distância e é dado em decibéis.

6 No segundo passo é feita a análise de como os métodos de aprendizado de máquina (RNAs e SVMs) podem ser utilizados na obtenção da posição. Para isso é utilizado o WEKA 4 para a tarefa de classificação. Em ambos os casos é utilizado k-fold-crossvalidation com k igual a 10 folds, ou seja, o conjunto de dados é dividido em 10 partições mutuamente exclusivas de tamanho aproximadamente iguais e sendo a décima partição utilizada para o cálculo do erro de teste do modelo. Ainda, visto que o sinal lido dos dispositivos Bluetooth possui alta flutuação (alto nível de ruído) é também avaliada uma técnica de redução de ruído nas leituras baseada em [Pessin et al. 2011]. Esta técnica de filtro é a média móvel e a mediana móvel de 5 e de 20 leituras aplicada no conjunto de dados. Desta forma, a entrada no classificador não é mais a leitura crua, mas sim o valor filtrado. Alguns parâmetros dos classificadores são também modificados para avaliar a influência destes na classificação. A rede neural tem como variação o parâmetro do número de neurônios na camada intermediárias: {1, 2, 6 e 30}. Para o SVM, é avaliado o comportamento do algoritmo com modificação de dois parâmetros: (i) tipo de algoritmo de SVM (c-svc ou nu-svc) e (ii) kernel do hiperplano (linear, radial, polinomial e sigmóide). Em ambos os casos, o erro avaliado é o percentual de classes corretamente classificadas. 4. Avaliação das Métricas de Coleta Após a coletada dos dados, o primeiro passo de avaliação proposto é determinação da métrica mais apropriada para classificação dos elementos. Para tal, é aconselhável uma métrica em que as classes possam ser bem determinadas e com a menor sobreposição possível. Para tal avaliação, a ferramenta utilizada foi a análise do boxplot das distribuições. O boxplot permite verificar a dispersão / concentração de grupos de dados, o que é útil para identificar sobreposição ou não de classes. As Figuras 2(a), 2(b) e 2(c) apresentam, respectivamente, o boxplot das distâncias em relação ao tempo de ping no modo default, o boxplot das distâncias em relação ao tempo de ping no modo flood e o boxplot das distâncias em relação a potência (valor do RSSI). Podemos ver nas Figuras 2(a) e 2(b) que as classes apresentam grande sobreposição. Além disso, podemos ver que as medianas são similares em diversos casos. Tal sobreposição e similaridade desencoraja o uso destas métricas de tempo como entrada em métodos de aprendizado de máquina. Entretanto, na Figura 2(c) podemos ver que embora existe certa sobreposição, ela é bem menor em relação as métricas de tempo de ping. Sendo assim, a métrica de RSSI parece ser a mais indicada para o próximo passo, que é a utilização deste valor para aprendizado da distância do nó móvel. 5. Aprendizado da Distância Usando RNA e SVM Após a avaliação das métricas, realizamos a avaliação de duas técnicas de aprendizado de maquina: RNAs e SVMs. Ainda, avaliamos como o aprendizado se comporta com a aplicação de filtros de média e mediana nas leituras, assim, as entradas dos métodos de aprendizado podem ser a leitura crua do dispositivo ou a média / mediana de 5 e 20 leituras. 4 Waikato Environment for Knowledge Analysis, disponível em

7 (a) (b) (c) Figura 2. (a) Boxplot das distâncias em relação ao tempo de ping (modo default). (b) Boxplot das distâncias em relação ao tempo de ping (modo flood). (c) Boxplot das distâncias em relação ao valor do RSSI. A Tabela 1 apresenta os resultados obtidos pelo aprendizado usando a rede neural com variação no número de neurônios na camada intermediaria e diferentes filtros. Podemos ver que o aprendizado utilizando 6 ou 20 neurônios é bastante similar, entretanto é ligeiramente melhor que utilizando apenas 1 ou dois neurônios na camada intermediaria. Podemos ver também na Tabela 1 que o filtro de mediana apresentou comportamento inferior ao da média. Por exemplo, na rede com 30 neurônios, a utilização do filtro de média de 5 leituras permitiu obter melhor taxa de classificação em 76,06% dos casos, enquanto a mediana móvel apresentou 62,03%. A utilização do filtro de média de 20 permitiu obter melhor taxa de classificação em 85,95% dos casos, enquanto a mediana móvel apresentou 69,09%. Ou seja, a média móvel apresentou resultados cerca de 20% melhores que a mediana móvel. Podemos ver que utilizando o filtro o resultado melhora significativamente. Entretanto, existe a contrapartida que cada leitura de RSSI demora cerca de 500 ms, as-

8 Tabela 1. Taxa de acerto (%) da classificação da RNA considerando diferentes filtros e número de neurônios na camada oculta. Em negrito são apresentados os melhores resultados para cada filtro. Asterisco apresenta o melhor entre todos. Número de neurônios Filtro utilizado Sem filtro 53,75 55,18 57,50 56,43 Média móvel 5 64,47 71,62 73,31 74,06 Mediana móvel 5 54,51 58,46 62,03 62,03 Média móvel 20 66,28 74,47 85,01 85,95 Mediana móvel 20 58,31 62,76 68,85 69,09 Tabela 2. Taxa de acerto (%) da classificação do SVM considerando diferentes tipos e kerneis. Em negrito são apresentados os melhores resultados para cada filtro. Asterisco apresenta o melhor entre todos. Kernel Linear Polinomial Radial Sigmóide Tipo do SVM: c-svc Sem filtro 56,96 55,71 55,71 10,00 Média móvel 5 74,44 74,81 74,44 11,84 Mediana móvel 5 61,84 62,22 62,22 11,84 Média móvel 20 80,80 86,65 84,07 9,84 Mediana móvel 20 68,62 69,55 69,32 9,84 Tipo do SVM: nu-svc Sem filtro 50,71 50,18 54,64 16,96 Média móvel 5 68,80 62,78 74,44 13,91 Mediana móvel 5 60,15 60,34 59,02 13,91 Média móvel 20 78,92 74,94 79,16 14,29 Mediana móvel 20 65,57 64,17 65,81 14,29 sim, o filtro melhora a confiabilidade na posição porém aumenta o tempo para obter tal informação. A Tabela 2 apresenta os resultados obtidos pelo aprendizado usando o SVM com variação no tipo do algoritmo de SVM, no tipo de kernel e com uso de filtros. Podemos ver que, neste caso, os kerneis linear, polinomial e radial apresentaram melhores resultados em relação ao kernel sigmoid. Ainda, o SVM do tipo c-svc apresentou, em geral, melhores resultados quando comparado ao nu-csv. Um comportamento similar ao aprendizado com redes neurais pode ser observado em relação ao uso de filtros. Por exemplo, com o kernel polinomial e c-svc o aprendizado passou de 55,71% (sem filtro) para 86,65% utilizando média móvel de 20. Entretanto, assim como usando a RNA, a mesma melhora significativa não ocorreu com o uso da mediana móvel. A Figura 3 apresenta o melhor resultado de taxa de classificação para RNA e SVM para cada filtro utilizado. Podemos ver que o melhor caso de RNA é muito similar ao melhor caso usando SVM. Sendo assim, não existem grandes vantagens ou desvantagens em utilizar um ou outro método. Ainda, podemos ver na figura que o uso de filtro tem um impacto significativamente positivo na qualidade dos resultados, sendo o uso de média

9 Figura 3. Melhores resultados de taxa de classificação para RNA e SVM para cada filtro utilizado. móvel superior ao uso de mediana móvel nos dados utilizados. 6. Conclusão Neste artigo descrevemos o modelo, a implementação e a avaliação do uso da tecnologia Bluetooth para a determinação da posição relativa de um nó móvel. Foram avaliadas três diferentes métricas de obtenção de sinal, onde pudemos verificar que a métrica de potência gera menos áreas de sobreposição em relação as métricas de tempo, o que encoraja o uso da métrica de potência no aprendizado da posição. Ainda, pudemos ver que o uso de RNA ou SVM no aprendizado é relativamente similar, não apresentando grandes vantagens ou desvantagens para um ou outro método. Ambos os métodos conseguirem taxas de acerto na faixa de 86%. Entretanto, pudemos ver que o uso de filtro impacta fortemente os resultados. Os resultados mostram que o uso de Bluetooth pode ser utilizado para o aprendizado da posição relativa com certo sucesso, isso encoraja os seguintes trabalhos futuros: (i) utilização de Bluetooth para aprendizado de posição 3D, (ii) a avaliação de outros tipos de filtro além de média e mediana, como o filtro de Kalman e (iii) a implementação do sistema em redes de sensores sem fio e em robôs autônomos a fim de verificar a utilidade prática do modelo proposto. 7. Agradecimentos Agradecemos o suporte financeiro do CNPq e FAPESP ao INCT-SEC (National Institute of Science and Technology Critical Embedded Systems Brazil), processos ID / and 08/ Além disso, agradecemos a Capes por meio do processo BEX Referências Baranauskas, J. A. and Monard, M. C. (2003). Combining symbolic classifiers from multiple inducers. Knowledge-Based Systems, 16: Braga, A., Ludemir, T., and Carvalho, A. (2000). Redes Neurais Artificiais: Teoria e Aplicações. LTC editora.

10 Costa, F. G., Ueyama, J., Braun, T., Pessin, G., Osório, F. S., and Vargas, P. A. (2012). The use of unmanned aerial vehicles and wireless sensor network in agricultural applications. In IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Gehrmann, C., Persson, J., and Smeets, B. (2004). Bluetooth Security. Artech House. Gwon, Y., Jain, R., and Kawahara, T. (2004). Robust indoor location estimation of stationary and mobile users. In INFOCOM Twenty-third AnnualJoint Conference of the IEEE Computer and Communications Societies, volume 2, pages Huang, A. S. and Rudolph, L. (2007). Bluetooth Essentials for Programmers. Cambridge University Press. Labiod, H., Afifi, H., and Santis, C. (2007). Wi-fi, Bluetooth, Zigbee and Wimax. Springer. Lorena, A. C. and Carvalho, A. (2003). Introdução às Máquinas de Vetores Suporte (Support Vector Machines). In Relatório Técnico 192, ICMC/USP. Martinelli, A. (2002). The odometry error of a mobile robot with a synchronous drive system. Robotics and Automation, IEEE Trans. on, 18(3): Miller, M. (2001). Discovering Bluetooth. John Wiley. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill. Napier, A., Sibley, G., and Newman, P. (2010). Real-time bounded-error pose estimation for road vehicles using vision. In Intelligent Transportation Systems (ITSC), th International IEEE Conference on, pages Nikolopoulos, C. (1997). Expert Systems: Introduction to First and Second Generation and Hybrid Knowledge Based Systems. CRC Press. Pessin, G., Osório, F. S., Ueyama, J., Souza, J. R., Wolf, D. F., Braun, T., and Vargas, P. A. (2011). Evaluating the impact of the number of access points in mobile robots localization using artificial neural networks. In Proc. of the 5th International Conference on Communication System Software and Middleware, pages 10:1 10:9. Pessin, G., Osório, F., Hata, A., and Wolf, D. (2010). Intelligent control and evolutionary strategies applied to multirobotic systems. In Industrial Technology (ICIT), 2010 IEEE International Conference on, pages Siegwart, R., Nourbakhsh, I. R., and Scaramuzza, D. (2011). Introduction to Autonomous Mobile Robots. The MIT Press. Souza, J. R., Pessin, G., Shinzato, P. Y., Osório, F. S., and Wolf, D. F. (2012). Vision-based Waypoint Following Using Templates and Artificial Neural Networks. Neurocomputing (Elsevier), Accepted for publication. Vapnik, V. (2005). The nature of Statistical learning theory. Springer-Verlag. Witten, I. H., Frank, E., and Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. Zhao, F. and Guibas, L. (2004). Wireless Sensor Networks An Information Processing Approach. Morgan Kaufmann.