Distributed signal processing and data fusion methods for large scale wireless sensor network applications

Abstract

Σε αυτή τη Διδακτορική Διατριβή μελετάμε το πρόβλημα της παρακολούθησης και πρόβλεψης της εξέλιξης συνεχών αντικειμένων (π.χ. καταστροφικά περιβαλλοντικά φαινόμενα που διαχέονται) με τη χρήση Ασυρμάτων Δικτύων Αισθητήρων (ΑΔΑ) ευρείας κλίμακας. Προτείνουμε μια ευέλικτη αλλά και πρακτική προσέγγιση με δύο κύρια συστατικά: α) Ασύγχρονο συνεργατικό αλγόριθμο ΑΔΑ που εκτιμά, χρησιμοποιώντας δυναμικά σχηματιζόμενες ομάδες από τρεις συνεργαζόμενους κόμβους, τα τοπικά χαρακτηριστικά της εξέλιξης (διεύθυνση, φορά και ταχύτητα) του μετώπου, καθώς και β) Αλγόριθμο που ανακατασκευάζει το συνολικό μέτωπο του συνεχούς αντικειμένου συνδυάζοντας την πληροφορία των τοπικών εκτιμήσεων. Επιπλέον, ο αλγόριθμος ανακατασκευής, εκμεταλλευόμενος την δυνατότητα εκτίμησης της αβεβαιότητα ως προς τα τοπικά χαρακτηριστικά εξέλιξης, μπορεί να προβλέπει και την πιθανότητα το κάθε σημείο της περιοχής να έχει καλυφθεί από το συνεχές αντικείμενο σε κάθε χρονική στιγμή. Μέσω πλήθους προσομοιώσεων επικυρώσαμε την ικανότητα του συνεργατικού αλγορίθμου να εκτιμά με ακρίβεια τα τοπικά χαρακτηριστικά εξέλιξης πολύπλοκων συνεχών αντικειμένων, καθώς και την ευρωστία του σε αστοχίες των αισθητηρίων κόμβων κατά την επικοινωνία τους αλλά και λόγω της πιθανής ολοσχερούς καταστροφής τους. Τέλος, παρουσιάζουμε τη δυνατότητα του αλγορίθμου ανακατασκευής να παρακολουθεί με ακρίβεια την εξέλιξη μετώπων συνεχών αντικειμένων με πολύπλοκα σχήματα, χρησιμοποιώντας σχετικά μικρό αριθμό τοπικών εκτιμήσεων στις οποίες μπορεί να έχει υπεισέλθει και σημαντικό σφάλμα.

In this Dissertation we study the problem of tracking the boundary of a continuous object (e.g. a hazardous diffusive phenomenon) and predicting its local and global spatio-temporal evolution characteristics using large-scale Wireless Sensor Networks (WSNs). We introduce a practical WSN-based approach consisting of two main components: a) An asynchronous collaborative in-network processing algorithm that estimates, using dynamically formed node triplets (clusters), local front model evolution parameters (orientation, direction and speed) of the expanding continuous object, and b) an algorithm that reconstruct the overall hazard's boundary by combining the produced local front estimates as they are becoming available to a fusion center. Based on the estimated uncertainties of local front model parameters, the reconstruction can provide for each point of the considered area the probability to be reached by the hazard’s front. Extensive computer simulations demonstrate that the proposed algorithm can estimate accurately the evolution characteristics of complex diffusive continuous objects, while it remains robust to sensor node and communication link failures. Finally, we show that it can track with accuracy the evolution of continuous objects with complex shapes, using a relatively small number of potentially distorted local front estimates.