Wireless Sensor Networks: An Information Processing Approach

Wireless Sensor Networks:An Information Processing Approach

Luku 2: Canonical Problem: Localization and Tracking

2.1 A Tracking Scenario

2.2 Problem Formulation

2.3 Distributed Representation and Inference ofStates

Canonical Problem

Paikantaminen ja seuranta

Mukana monessa tulevaisuuden käytännönsovelluksessa

CSIP (Collaborative Signal and InformationProcessing)  Ongelmana: ”Miten muodostaasensoriryhmiä dynaamisesti perustuen annettuuntehtävään/resursseihin?”

Seuranta  ”yhteisprosessointi”, tiedonjako,ryhmänhallinta eli kuka tekee mitäkin ja missävaiheessa. (ennustaminen)

Localization and Tracking:Yleistä

Sensor Netwrok: ”tuple” G = (V,E,PV,PE)

V ja E määrittää graafin, PV noden ominaisuudet, PE linkkienominaisuudet

A tracking task: (G,T,W,Q,J,C) rajoitettuoptimointiongelma.

T kohteiden joukko (muoto, signaali jne), W signaalin tyyppi (leviävyys,vaimennus), Q a set of user queries, J tavoitefunktio, C rajoituksetesim. aika, energia jne.

Seurannan aikana osa tiedoista joudutaan ”ehkä”prosessoimaan heti  joudutaan ratkaisemaanhajautetusti eli keskitetty prosessointi ei kelpaa dynaaminen ympäristö

2.1 A Tracking ScenarioCSIP issues

Problem

2.1 A Tracking ScenarioCSIP issues

Informaation prosessoinnissa nousee esilleseuraavia asioita  hajautetuninformaation…

1.havainnointi (paikantaminen, seuranta, sensortasking)

2.esittäminen (datan käsittely, visualisointi)

3.kommunikointi (ryhmittyminen, reititys jne.)

4.varastointi (tietokannat)

Perusrakenne: verkon alustus, virheidenhallinta,turvallisuus...

2.2 Problem Formulation

Paikantamisen ongelmaa voidaan yksinkertaistaaeksplisiittisellä sensorin määrittämisellä  erotetaan(enemmän) dynaamiset asiat, jotta voidaanoptimoida hajautettua arviointia. (Distributedestimation)

Kirjassa esimerkki: Yhteispaikantaminen kolmella sensorilla, 2-d tasolla Tarvitaan 3, 3. ratkaisee ”riitatilanteet”. (Eksplisiittinen määritys:esim. akustisilla sensoreilla signaalien vaimenemiset yms. tiedetään)

Mikä on min. määrä sensoreita tasolla, joilla voidaansaada riittävän tarkka paikannus?

Jos 2 sensoria havaitsee kohteen, mutta kolmas ei... (Tärkeää:sensoreiden geometrinen asettelu, etäisyydet jne.)

2.2 Problem Formulation

Bayesian state estimation  teoreema:

priori todennäköisyys esiintymisestä/poissaolosta

ehdollinen tod.näk. esiintymisestä/poissaolosta.

Centralized Estimation

Keskusyksikkö laskee Bayesian metodilla kohteen paikansensoreiden antamien tilatietojen perusteella

Kommunikointi vie paljon energiaa, prosessointi kasvaa lineaarisestisensoreiden lukumäärän kanssa, kaikki yhden vastuulla.

Sequential Estimation (peräkkäis-)

Kirjassa kuva. Tieto lisääntyy ajan kuluessa, lasketaan uusia arvojaperäkkäisesti ja lopulta kohteen sijainti tarkentuu

2.3 Distributed Representationand Inference of States

Miten kohteen sijainti pystytään esittämään / laskemaanhajautetusti siten, että voidaan päätellä kohteen tila / paikkamyöhemmin?

2 tapaa: parametric / nonparametric (yleistys)

Parametric ei niin tarkka, tiedon välitys vaatii vähemmän dataa  esim. kaikkisensorit tietävät, että noudatetaan Gaussianin approksimaatiota. Lasketaanmuutaman arvon perusteella arvio / approksimaatio tulevasta tilasta.

Nonparametric, tarkempi, mutta joudutaan siirtämään enemmän dataa esim. mitataan ja tallennetaan kohteen historia.

Parasta? olisi kai käyttää ns. hybridiratkaisua eli molempien yhdistelmää. Aluksinonparametric ja jonkin tietyn vaiheen jälkeen parametric. Gaussian menetelmäei ole alussa tehokas.

Esimerkki tiedon esittämisestä non-Gaussian jakaumien osalta sivulla 37. Jakaumaruudukolle mitä tod. näk. sen valkoisempi...

Ruudukon tarkkuus / resoluutio riippuu sensorin tehoista, kuinka tarkka arvio...