Efficient information-driven localization and tracking in ubiquitous systems combining range and bearing sensors

Description

La localización es un problema crítico en la tecnología de sistemas de computación ubicua. Mientras que la localización en exteriores ha mejorado significativamente con la adopción del GPS, la localización en interiores todavía atrae bastante interés en I+D y ha propiciado el desarrollo de una gran variedad de sensores, tecnologías y técnicas de localización en los últimos años. Esta Tesis describe el diseño, integración, evaluación y validación de un conjunto de técnicas basadas en información y esquemas distribuidos para localización y seguimiento eficientes basados en clústeres utilizando sensores de rango y ángulo en sistemas de computación ubicuos. El presente trabajo de investigación se ha construido sobre los cimientos de un estudio sobre las técnicas de localización y seguimiento en sistemas ubicuos. La mayoría de esquemas de localización y seguimiento en sistemas de computación ubicuos están basados en medidas de la potencia de señal de los paquetes recibidos (RSSI). Esos esquemas obtienen medidas de rango sin necesitar un software o hardware adicional y una gran variedad de técnicas se han propuesto en la literatura utilizando diferentes maneras de integrar las medidas. Las cámaras son también ampliamente utilizadas para seguimiento de objetivos en los sistemas de computación ubicua. Los esquemas basados en cámaras son normalmente más precisos que los esquemas basados en RSSI pero conllevan mucho mayor consumo energético y requieren línea de visión directa con el objetivo. Algunos pocos métodos integran medidas de RSSI y cámaras alternando entre los dos tipos de medida según su disponibilidad para reducir el consumo energético. La mayoría de los enfoques adoptan esquemas basados en clústeres. La gestión del clúster requiere métodos para incluir/excluir nodos del clúster y para decidir el papel de los nodos que participan en el clúster. La primera contribución de esta Tesis es una arquitectura general para la localización y seguimiento basada en clúster en sistemas de computación ubicua. Esta arquitectura se compone de cuatro métodos que se pueden combinar de diferentes maneras que resultan en tres esquemas adecuados para el seguimiento de objetivos mediante: (1) medidas sólo de cámaras, (2) medidas sólo de RSSI y (3) la combinación de ambos tipos de medidas. Todos los esquemas utilizan un filtro extendido de información (EIF) distribuido para la integración de las medidas. La etapa de predicción del EIF es ejecutada por el jefe del clúster, pero el cálculo de la etapa de actualización del EIF es compartido: todos los nodos en el clúster calculan su contribución a la actualización del EIF. El jefe de clúster sólo calcula la predicción del EIF y su contribución a la actualización del EIF: ambas conllevan un tiempo de cálculo constante, independientemente del tamaño del clúster. En comparación con los sistemas existentes, el EIF distribuido propuesto mejora significativamente la escalabilidad y reduce la carga computacional soportada por el jefe de clúster. Como segunda contribución, esta tesis propone técnicas en la que cada nodo estático calcula dinámicamente modelos de RSSI y rango adaptados a las particularidades del entorno que lo rodea. Las técnicas propuestas operan en tiempo real y sólo requieren unas pocas medidas para calcular modelos actualizados de RSSI y rango, de manera que pueden ser aplicados en tiempo real. Se proponen dos técnicas diferentes para la calibración dinámica del modelo de RSSI y rango. La primera de ellas se puede aplicar en caso de realizar el seguimiento de objetivo usando solamente medidas de RSSI. En este caso, cada nodo estático calibra su propio modelo de RSSI y rango utilizando medidas de RSSI obtenidas de los paquetes que recibe desde otros nodos estáticos. La segunda técnica se puede aplicar en caso de realizar el seguimiento de objetivo usando RSSI y también medidas de cámaras. En ese caso, cada nodo estático utiliza las estimaciones del objetivo obtenidas utilizando sólo medidas de la cámara para entrenar en tiempo real su modelo de RSSI y rango. Es significativamente más precisa que la primera técnica. La tercera y cuarta contribuciones en esta Tesis consisten en técnicas de selección de sensores que determinan actuaciones con el fin de optimizar el seguimiento en sistemas basados en clústeres. Se han desarrollado dos métodos principales de selección de sensores: (1) técnicas para activar/desactivar los nodos sensores y para incluir o excluir los nodos del clúster, y (2) técnicas para mejorar la selección del nodo que toma el papel de jefe en el clúster. El método de activación/desactivación reduce el consumo de energía ampliando el tiempo de vida útil de la red, manteniendo sólo activos los sensores con un balance positivo entre la reducción de la incertidumbre y el uso de recursos. El método adoptado resuelve el problema de selección de sensores eligiendo la acción que optimiza un criterio voraz basado en el mencionado balance. Se presentan cuatro técnicas diferentes del método de activación/desactivación en función del número y tipo de medidas recogidos por los sensores: activación de sólo cámaras, activación en seguimiento mediante sólo RSSI, activación conjunta de cámara-RSSI y activación independiente cámara-RSSI. El método de selección del jefe de clúster elige como nodo jefe aquél que puede obtener la incertidumbre más baja usando las medidas de los nodos actualmente activos. Analiza todos los nodos activos y selecciona el más adecuado para llevar a cabo el papel de jefe de clúster. Ambos métodos (activación/desactivación y selección de jefe de clúster) toman en consideración el efecto de los errores de transmisión y adoptan un enfoque óptimo probabilístico. El uso de la traza de la matriz de información como métrica de la incertidumbre permite una implementación distribuida muy eficiente y la integración con el EIF adoptado para la fusión de medidas. Los métodos reducen significativamente la carga computacional, el consumo de energía y mejoran la escalabilidad con respecto a trabajos existentes. La quinta contribución de esta Tesis es la integración de estos métodos en tres esquemas distribuidos: El Esquema Propuesto1 para seguimiento utilizando únicamente medidas de cámaras, el Esquema Propuesto2 para seguimiento utilizando únicamente medidas de RSSI y el Esquema Propuesto3 para seguimiento con medidas de cámaras y RSSI. Los métodos desarrollados se integran armoniosamente y de manera eficiente en esquemas distribuidos. Dos implementaciones diferentes han sido desarrolladas para cada esquema: Implementación1, la combinación directa de los métodos e Implementación2, que simplifica los métodos de activación/desactivación de sensores y selección de jefe de clúster con el fin de reducir la complejidad y los recursos necesarios para comunicaciones. Por último, el comportamiento y la robustez de los métodos y esquemas desarrollados en esta Tesis se han analizado y comparado con trabajos existentes en la literatura. Los resultados de la validación muestran que la ejecución conjunta de los métodos en un esquema distribuido genera sinergias que mejoran el comportamiento de la localización y seguimiento. Esto está especialmente demostrado en los esquemas que integran medidas de RSSI y cámaras. En este caso la combinación de los métodos genera un comportamiento emergente en el que las medidas de las cámaras se utilizan para entrenar modelos de RSSI y rango. Una vez entrenados, el método de activación/desactivación de sensores tiende a desactivar cámaras debido a su mayor consumo. El comportamiento es autorregulado. Cuando demasiadas cámaras están inactivas, la precisión de los modelos de RSSI se degrada, lo que implica una mayor incertidumbre en la estimación global del objetivo, lo cual produce que el método de selección de sensores active de nuevo cámaras para reducir la incertidumbre. Esto conduce a una reducción de la carga computacional, del consumo de energía y una mejora en la escalabilidad respecto a trabajos existentes, logrando a su vez una precisión similar y con la misma robustez frente a errores típicos en redes de cámaras inalámbricas.

Additional details