Wireless Sensor Networks: An Information Processing Approach Luku 2: Canonical Problem: Localization and Tracking 2.1 A Tracking Scenario 2.2 Problem Formulation.

Esitys aiheesta: "Wireless Sensor Networks: An Information Processing Approach Luku 2: Canonical Problem: Localization and Tracking 2.1 A Tracking Scenario 2.2 Problem Formulation."— Esityksen transkriptio:

1 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 of States

2 Canonical Problem Paikantaminen ja seuranta Mukana monessa tulevaisuuden käytännön sovelluksessa CSIP (Collaborative Signal and Information Processing)  Ongelmana: ”Miten muodostaa sensoriryhmiä dynaamisesti perustuen annettuun tehtävään/resursseihin?” Seuranta  ”yhteisprosessointi”, tiedonjako, ryhmänhallinta eli kuka tekee mitäkin ja missä vaiheessa. (ennustaminen)

3 Localization and Tracking: Yleistä Sensor Netwrok: ”tuple” G = (V,E,P V,P E ) V ja E määrittää graafin, P V noden ominaisuudet, P E linkkien ominaisuudet A tracking task: (G,T,W,Q,J,C) rajoitettu optimointiongelma. T kohteiden joukko (muoto, signaali jne), W signaalin tyyppi (leviävyys, vaimennus), Q a set of user queries, J tavoitefunktio, C rajoitukset esim. aika, energia jne. Seurannan aikana osa tiedoista joudutaan ”ehkä” prosessoimaan heti  joudutaan ratkaisemaan hajautetusti eli keskitetty prosessointi ei kelpaa  dynaaminen ympäristö

4 2.1 A Tracking Scenario CSIP issues Problem

5 2.1 A Tracking Scenario CSIP issues Informaation prosessoinnissa nousee esille seuraavia asioita  hajautetun informaation… 1. havainnointi (paikantaminen, seuranta, sensor tasking) 2. esittäminen (datan käsittely, visualisointi) 3. kommunikointi (ryhmittyminen, reititys jne.) 4. varastointi (tietokannat) Perusrakenne: verkon alustus, virheidenhallinta, turvallisuus...

6 2.2 Problem Formulation Paikantamisen ongelmaa voidaan yksinkertaistaa eksplisiittisellä sensorin määrittämisellä  erotetaan (enemmän) dynaamiset asiat, jotta voidaan optimoida hajautettua arviointia. (Distributed estimation) 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 voidaan saada riittävän tarkka paikannus? Jos 2 sensoria havaitsee kohteen, mutta kolmas ei... (Tärkeää: sensoreiden geometrinen asettelu, etäisyydet jne.)

7 2.2 Problem Formulation Bayesian state estimation  teoreema: priori todennäköisyys esiintymisestä/poissaolosta ehdollinen tod.näk. esiintymisestä/poissaolosta. Centralized Estimation Keskusyksikkö laskee Bayesian metodilla kohteen paikan sensoreiden antamien tilatietojen perusteella Kommunikointi vie paljon energiaa, prosessointi kasvaa lineaarisesti sensoreiden lukumäärän kanssa, kaikki yhden vastuulla. Sequential Estimation (peräkkäis-) Kirjassa kuva. Tieto lisääntyy ajan kuluessa, lasketaan uusia arvoja peräkkäisesti ja lopulta kohteen sijainti tarkentuu

8 2.3 Distributed Representation and Inference of States Miten kohteen sijainti pystytään esittämään / laskemaan hajautetusti siten, että voidaan päätellä kohteen tila / paikka myöhemmin? 2 tapaa: parametric / nonparametric (yleistys) Parametric ei niin tarkka, tiedon välitys vaatii vähemmän dataa  esim. kaikki sensorit tietävät, että noudatetaan Gaussianin approksimaatiota. Lasketaan muutaman 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. Aluksi nonparametric ja jonkin tietyn vaiheen jälkeen parametric. Gaussian menetelmä ei ole alussa tehokas. Esimerkki tiedon esittämisestä non-Gaussian jakaumien osalta sivulla 37. Jakauma ruudukolle  mitä tod. näk. sen valkoisempi... Ruudukon tarkkuus / resoluutio riippuu sensorin tehoista, kuinka tarkka arvio...

9 2.3 Distributed Representation and Inference of States Distributed Tracking Fixed node Tilatiedot lähetetään keskusnodellle. ”Communication cost” voi nousta liian isoksi, kun liikettä on enemmän. Leader node Leader kerää dataa muilta ja luovuttaa datan eteenpäin seuraavalle. Jatkuu kappaleessa 5 Leaderless distributed tracker Kaikki prosessoivat ja päivittävät tilatietoa. Haasteena on se, miten tulisi valita uusi leader? Ihan avoin tapaus???

10 Distributed Collaborative Signal and Information Processing Applications Suurimmat ongelmat: Tiedon esitys, säilytys ja saanti. Sensoriverkoissa tarvitaan ”ehkä” toisenlaisia reititys- ja ryhmänhallintamenetelmiä kuin perinteisessä TCP/IP:ssä.