Trilateración BLE: cómo se calcula la posición X,Y sin GPS en minería

La pregunta parece elemental: si un trabajador minero porta un Tag Bluetooth dentro de un túnel subterráneo, ¿cómo sabe el sistema central exactamente dónde está? La respuesta involucra tres componentes matemáticos que han sido estudiados durante décadas en la literatura de posicionamiento indoor, pero que solo en los últimos años se han podido ejecutar en hardware de bajo consumo con la fiabilidad necesaria para aplicaciones industriales críticas.

Este artículo explica cada componente sin evitar la matemática relevante, pero tampoco sobrecargando con detalles que solo sirven en papers académicos. La audiencia objetiva es un ingeniero de operaciones, un responsable de tecnología en minería o cualquier lector con background técnico que esté evaluando tecnologías de localización indoor y quiera entender qué hay debajo del capó.

El fundamento: del RSSI a la distancia

Todo sistema de posicionamiento por radiofrecuencia parte de una observación básica: la intensidad de la señal recibida disminuye con la distancia al emisor. Si conocemos la potencia con la que un Tag transmite, y medimos la potencia con la que una Estación Base recibe esa señal, podemos estimar la distancia entre ambos.

La métrica que usamos para cuantificar esa potencia recibida se llama RSSI — Received Signal Strength Indicator, medido en decibelios relativos a un miliwatt (dBm). Valores típicos en sistemas BLE van desde -40 dBm (señal muy fuerte, dispositivo cercano) hasta -95 dBm (señal muy débil, casi al límite de detección).

El modelo matemático estándar que relaciona RSSI y distancia se conoce como Log-Distance Path Loss Model. En su forma canónica:

Despejando d, el sistema puede estimar la distancia a partir de la lectura RSSI. En espacios abiertos y sin obstáculos, el exponente n vale aproximadamente 2 (la señal decae como el inverso del cuadrado, igual que la luz). Pero en un entorno indoor real con paredes, personas y estructuras metálicas, n puede oscilar entre 2,5 y 4,5 dependiendo del sitio — y esa es la primera fuente importante de error en cualquier sistema BLE que usa RSSI puro.

El problema del ruido: por qué el RSSI crudo no basta

Si el sistema usara la lectura RSSI directa para calcular distancia, los resultados serían terribles. Las mediciones RSSI en ambientes reales sufren fluctuaciones significativas incluso cuando el Tag y la Estación Base están estáticos. Las causas principales son cuatro:

• Multipath: la señal rebota contra múltiples superficies (paredes, pisos, equipos) y llega a la Estación Base por varios caminos simultáneamente. La superposición constructiva y destructiva de esas señales genera variaciones de ±5 a ±10 dBm sobre el valor teórico.
• Absorción por cuerpos humanos: el cuerpo humano, compuesto mayoritariamente de agua, absorbe significativamente la señal de 2,4 GHz. Un trabajador con el Tag al pecho versus uno con el Tag en el casco da lecturas distintas para la misma posición.
• Interferencia electromagnética: motores, variadores de frecuencia, equipos de perforación y otros dispositivos industriales generan ruido en la banda ISM de 2,4 GHz.
• Variaciones del hardware: dos Tags del mismo modelo pueden reportar RSSI ligeramente distintos para la misma distancia debido a tolerancias de fabricación en la antena y el chip de radio.

Para lidiar con esto, los sistemas modernos aplican filtrado sobre la serie temporal de lecturas RSSI. Las técnicas más comunes son:

Moving average

Promedio móvil sobre las últimas N lecturas. Simple, efectivo contra ruido gaussiano, pero introduce un retraso proporcional al tamaño de la ventana. Si el trabajador se mueve rápido, el sistema siempre reporta una posición ligeramente atrasada.

Weighted moving average

Versión mejorada del anterior donde las lecturas más recientes tienen mayor peso. La literatura ha demostrado que este filtrado, aplicado correctamente, mejora sustancialmente la precisión final sin introducir tanto retraso. Es el enfoque utilizado en uno de los papers de referencia más citados sobre localización BLE, que logra reducir el error de trilateración estándar mediante este tipo de pre-procesamiento.

Filtro de Kalman

El estándar de oro para series temporales ruidosas. El filtro de Kalman mantiene una estimación probabilística del estado del sistema (posición, velocidad) y actualiza esa estimación con cada nueva lectura, ponderando la confianza de la medición contra la confianza del modelo de movimiento. Computacionalmente más costoso que un weighted average, pero entrega resultados claramente superiores cuando el trabajador está en movimiento.

Trilateración geométrica: intersectar tres círculos

Una vez que tenemos estimaciones filtradas de distancia desde al menos tres Estaciones Base hacia el Tag, podemos calcular la posición X, Y del trabajador. La idea geométrica es directa: cada Estación Base define un círculo sobre el plano, con radio igual a la distancia estimada al Tag. El punto donde los tres círculos se intersectan es la posición del Tag.

Matemáticamente, si las tres Estaciones Base están en posiciones conocidas (x₁, y₁), (x₂, y₂), (x₃, y₃) y han estimado distancias d₁, d₂, d₃ al Tag, queremos encontrar el punto (x, y) que satisface simultáneamente las tres ecuaciones de distancia euclidiana:

En teoría, tres ecuaciones con dos incógnitas son suficientes para encontrar el punto. En la práctica —y aquí aparece el corazón del problema— las distancias dᵢ nunca son exactas. Tienen ruido, incluso después del filtrado. Entonces los tres círculos casi nunca se intersectan en un único punto limpio: generalmente forman una pequeña región de incertidumbre, o incluso peor, se intersectan en configuraciones geométricas patológicas que el algoritmo debe manejar explícitamente.

Los seis casos de intersección en la realidad

Uno de los aportes más prácticos de la literatura reciente sobre trilateración BLE es el análisis sistemático de los posibles casos geométricos que el algoritmo debe resolver. La referencia técnica más clara identifica seis casos que deben manejarse explícitamente en la implementación:

1. Caso I — Intersección limpia en un punto. El caso ideal: los tres círculos se cruzan en un único punto común. Raro en la práctica, pero es la referencia conceptual.
2. Caso II — Los tres círculos se intersectan formando un área pequeña. La solución es el centroide (promedio ponderado) de los tres puntos de intersección dos a dos. Es el caso más común en operación real con ruido controlado.
3. Caso III — Dos círculos se intersectan, el tercero no alcanza. Ocurre cuando una de las estimaciones de distancia está significativamente subestimada. El algoritmo debe extrapolar desde los dos círculos válidos.
4. Caso IV — Un círculo intersecta con los otros dos, pero estos dos no se intersectan entre sí. Cuatro puntos de intersección posibles; hay que descartar los puntos externos y promediar los internos.
5. Caso V — Círculos tangentes (no se cruzan, solo se tocan). La solución es el punto de tangencia o un promedio si hay varios puntos tangenciales.
6. Caso VI — Los círculos no se intersectan y están alejados entre sí. Condición de error: indica que las lecturas RSSI están demasiado corrompidas para una trilateración confiable. El sistema debe reportar la incertidumbre o buscar más Estaciones Base de referencia.

Desafíos específicos del ambiente minero

Todo lo anterior aplicaría igualmente en un hospital, una bodega o una fábrica. Pero la minería subterránea añade capas de complejidad adicional que fuerzan adaptaciones específicas en el algoritmo de posicionamiento:

Geometría lineal extrema

Un túnel minero es, esencialmente, un espacio unidimensional. La distancia a lo largo del túnel puede ser de cientos de metros, pero el ancho típicamente no supera los 5 a 10 metros. Esto significa que los tres círculos de trilateración pueden estar casi colineales, un caso matemáticamente débil (la geometría degenera y el error en Y se amplifica frente a pequeñas variaciones en los RSSI). Un algoritmo bien diseñado proyecta la solución sobre el eje del túnel cuando detecta esta condición, mejorando la estabilidad.

Multipath extremo

Las paredes de roca y los refuerzos metálicos (arcos, mallas, elementos estructurales) generan rebotes múltiples de la señal. El path loss exponent efectivo puede ser inconsistente incluso a lo largo del mismo túnel. Esto requiere calibración por tramos y, en casos más avanzados, modelos de propagación que incorporen información topográfica del recinto.

Movimiento lento pero persistente

A diferencia de un hospital donde las personas pasan rápidamente junto a beacons, un trabajador minero puede permanecer largos períodos en un mismo frente de trabajo. Esto favorece el uso de filtrados con ventanas más largas (mayor reducción de ruido a costa de latencia), y permite aprovechar la estabilidad temporal de la posición como información adicional para el algoritmo.

Densidad variable de Estaciones Base

En un túnel en avance, las Estaciones Base se instalan cada 25–30 metros. Pero en cruces, pique principal o zonas de refugio, la densidad puede ser mayor. En frentes muy adelantados, menor. El algoritmo debe operar con un número variable de Estaciones Base disponibles —a veces cuatro o cinco simultáneas, a veces solo tres en el límite mínimo— y ponderar la confiabilidad de cada lectura según la geometría disponible.

El enfoque de OpusMesh

El firmware propietario que corre en los dispositivos OpusMesh implementa los tres componentes descritos con adaptaciones específicas para ambientes mineros subterráneos. Sin entrar en detalles que son parte de nuestra propiedad intelectual, los principios generales son los siguientes:

• Calibración automática por sitio: durante la puesta en marcha de una red, el sistema realiza una fase de caracterización del recinto que ajusta el path loss exponent por zona. No usamos un valor único global.
• Filtrado multietapa: las lecturas RSSI pasan por un primer filtro de outliers (para descartar interferencias puntuales), luego un weighted moving average adaptativo, y finalmente un filtro de Kalman cuando se detecta movimiento sostenido del Tag.
• Trilateración consciente de los seis casos: el algoritmo clasifica la geometría de cada medición y aplica la estrategia apropiada, incluyendo la detección del Caso VI para reportar incertidumbre cuando corresponde en lugar de entregar una coordenada poco confiable.
• Proyección sobre la topología: en túneles, la solución se proyecta sobre el eje geométrico del recinto conocido, mejorando la precisión perceptual para el operador que mira el mapa de operación.
• Uso de más de tres Estaciones Base cuando están disponibles: si el Tag es captado por cinco o seis Estaciones Base simultáneas, el sistema usa mínimos cuadrados ponderados para resolver el sistema sobredeterminado, reduciendo significativamente el error.

El resultado neto, validado en operaciones reales, sitúa la precisión práctica en 1 a 5 metros con RSSI filtrado, y hasta 0,7 a 1,5 metros cuando se incorporan técnicas complementarias como AoA o modelos de machine learning entrenados con datos del sitio. Es decir, rangos consistentes con los mejores resultados reportados en la literatura académica, pero aplicados al contexto específico de producción minera subterránea.

La combinación de path loss calibrado, filtrado robusto y trilateración consciente de la geometría es lo que permite que OpusMesh pueda entregar coordenadas X, Y de un trabajador dentro de un túnel subterráneo sin recurrir a GPS (que no funciona bajo tierra), a cableado denso de anchors (como requiere UWB), ni a infraestructura WiFi específica. Solo una red Bluetooth mesh autoorganizada, firmware propietario, y los principios matemáticos que la literatura ha ido refinando durante la última década.