Étalonnage aveugle des capteurs mobiles[modifier | modifier le code]

L’étalonnage d’un instrument de mesure se justifie dès lors que l’usage de l’appareil ne permet pas une correction a posteriori de l’erreur de justesse (Exemple :Gain/Offset). Il s’applique donc prioritairement à des capteurs pour usage industriel et notamment dans les situations suivantes : capteurs en lecture directe, capteurs interchangeables dans un parc d’instruments, capteurs utilisés par différentes personnes, etc.

L’étalonnage d’un réseau de capteurs à la main est difficilement réalisable Par conséquent, les méthodes d’étalonnage en commun des réseaux de capteurs sur le terrain, sans dépendance sur les stimulai contrôlés, présente un intérêt significatif. Nous appelons ce problème l’étalonnage aveugle.

L'étalonnage des capteurs représente l'un des défis les plus importants pour le large déploiement des grands réseaux de capteurs sans fil.

L'étalonnage individuel de chaque capteur (micro-étalonnage) n'est applicable que dans des systèmes de capteurs relativement petits. Dans le cas de grands réseaux, de nouveaux concepts et méthodes sont nécessaires, étant donné que de nombreux dispositifs peuvent être partiellement non observables et fonctionner dans des environnements dynamiquement changeants.

L'étalonnage d'un réseau dans son ensemble est l'essence du macro-étalonnage, éliminant ainsi la nécessité de calibrer séparément chaque dispositif.

Les méthodes d'étalonnage des réseaux de capteurs sans dépendance vis-à-vis des stimulations contrôlés présentent un intérêt significatif pour la pratique. Ce problème, appelé étalonnage aveugle, est difficile, avec certaines similitudes avec les problèmes d'estimation aveugle, de déconvolution aveugle et d'égalisation aveugle .

les problématiques d’étalonnage de capteurs mobiles.[modifier | modifier le code]

les paramètres individuels de chaque capteur (gain,offset)[modifier | modifier le code]

La composante d’Offset dans le sous-espace du signal est généralement non identifiable, mais dans des cas particuliers elle peut être déterminée. Par exemple, si l'on sait que le phénomène d'intérêt est à peu près à zéro (ou à une autre valeur connue), alors la moyenne de nombreuses mesures tendra à zéro (ou à la valeur moyenne connue). Dans cette situation, la moyenne :

${1 \over k}\sum _{i=1}^{k}y_{i}=({1 \over k}\sum _{i=1}^{k}x_{i}-\beta {\bigr )}/\alpha \approx -\beta /\alpha$

X : vecteur de mesure

α : Facteur d’étalonnage de gain des capteurs ${1 \over k}\sum _{i=1}^{k}x_{i}\thickapprox 0$

β : Facteur d’étalonnage d’offset des capteurs

L’opération de division est effectuée élément par élément.

Cela résulte du fait que : (capture) pour k assez grand. Ainsi, nous pouvons identifier le décalage simplement en calculant la moyenne de nos mesures.

Les possibilités d'étalonnage de l'offset sont assez simples, mais les conditions qui garantissent que les gains peuvent être aveuglément étalonnés sont moins évidentes. Ils existent des solutions uniques au problème d'étalonnage du gain. Le problème d'étalonnage de gain peut être résolu indépendamment de la tâche d'étalonnage de l’offset, ce qui correspond à la simple suppression de l'instantané(x) moyen de chaque instantané individuel.

L’équation d’étalonnage de gain s’écrit : $Py_{i}\alpha =0,i=1,.....,K$

P : matrice de projection

Y :les mesures de capteurs

α : Facteur d’étalonnage de gain des capteurs

Les modèles d’étalonnage[modifier | modifier le code]

Étalonnage métrique : Pour quantifier les erreurs d'étalonnage le calcul du RMSE « erreur moyenne quadratique » est nécessaire.

$RMSEv=\left({\frac {1}{|\{{\widehat {m}}v\}|}}\sum ({\widehat {m}}v-\eta )^{2}\right)^{\left({\frac {1}{2}}\right)}$

mv : mesure étalonnée d’un capteur

$\eta$ : signal correspondant

Lors de l'évaluation des méthodes d'étalonnage avec des données artificielles, Pour chaque lecture de capteur nous connaissons le vrai signal. Pour les ensembles de données réels, nous en tirons les données recueillies avec des instruments d’une qualité élevée dans le voisinage temporel et spatial de mv.

Méthodes de montage : Supposons un capteur X étalonné et un capteur Z non étalonné qui forment un Rendez-Vous.

(OLS) La fonction d’étalonnage est souvent estimée par la méthode des « moindres carrés ordinaires OLS choisit Les paramètres d'étalonnage $\alpha$ et $\beta$ tels que la somme des différences carré entre les mesures étalonnées du capteur Z et les paramètres d'étalonnage de X soit minimale.
GMR ( la régression de la moyenne géométrique), Qui ne souffre pas de dilution par régression et ne nécessite pas la connaissance du bruit du capteur, GMR Minimise la somme des zones de triangles formées par l'écart d'un point de la droite de régression dans les deux axes.

Les principales méthodes proposées[modifier | modifier le code]

micro-étalonnage[modifier | modifier le code]

Les algorithmes de micro-étalonnage calibrent les capteurs dans le réseau selon un signal de référence de haute qualité. L'objectif est d'avoir des capteurs précis pour mesurer le phénomène surveillé.

macro-étalonnage[modifier | modifier le code]

Les algorithmes de macro-étalonnage tentent de maximiser la similitude entre les mesures de tous les nœuds de capteurs dans un réseau .En macro-étalonnage, l'objectif principal n'est pas d’ajuster l'étalonnage du capteur en fonction d'un signal de référence mais d’obtenir une grande similitude entre les capteurs du réseau.

Les problématiques propres aux réseaux sans fil[modifier | modifier le code]

L’étalonnage des capteurs n'est pas toujours possible, pour des raisons parmi lesquelles nous citons:

il n’y a pas d’accessibilité aux organes physiques de réglage ou au paramétrage du logiciel permettant de modifier la réponse de l’instrument ; c’est en général un choix de conception ou de politique du constructeur.

les possibilités de modification de la réponse de l’instrument sont trop limitées pour corriger la réponse du capteur.

la physique du capteur même ne l’autorise pas ou la rend délicate.

Par exemple :

Un cas impossible : la réponse «parabolique» mais reproductible d’année en année de ce thermomètre ne peut pas être corrigé par le simple réglage d’offset et de pente, seuls paramètres accessibles pour un ajustage.

Sur rendez-vous dans les réseaux mobiles de détection[modifier | modifier le code]

Introduction[modifier | modifier le code]

Un rendez-vous est un voisinage temporel et spatial de deux capteurs.

La localité temporelle et spatiale d'un processus physique influe sur le nombre de rendez-vous entre les capteurs, leur durée et leur fréquence.

Rendez vous graph connectivity a de nombreux cas d'utilisation potentiels, tels que la détection des défauts de capteur.Nous appliquons avec succès les concepts proposés pour suivre les capteurs défectueux et d'améliorer l'étalonnage des capteurs dans notre déploiement.

Un rendez-vous n'est pas limité à un endroit précis dans le temps et l'espace. En fait, deux capteurs qui se déplacent main dans la main construisent un rendez-vous avec infiniment beaucoup de mesures temporelles et spatialement liées. En dépit des avantages des capteurs mobiles, assurer un fonctionnement sans faille, l'étalonnage automatique des capteurs et la qualité des données (par exemple, par détection en temps opportun des valeurs aberrantes) sont des tâches difficiles dans les réseaux mobiles en raison de la sporadique et le caractère imprévisible du rendez-vous.

De plus, l'accès à des mesures de référence fiables est absent ou limité à un petit nombre d'emplacements. Ainsi, la supervision du fonctionnement sans erreur des réseaux de capteurs mobiles n'est possible que par la conception et l'exploitation soigneuses des rendez-vous entre capteurs ou l'application de schémas de validation de données basés sur des modèles. Ce dernier nécessite des modèles décrivant le phénomène d'intérêt et les capteurs en usage, qui ne sont généralement pas connus a priori et difficiles à obtenir.

Dans de nombreuses zones urbaines, les véhicules de transport public, tels que les tramways et les autobus, constituent une base appropriée pour déployer des nœuds de capteurs sans fil. La mobilité inhérente à de telles installations résout souvent les problèmes de couverture spatiale et impose une forte probabilité de rendez-vous en raison d'une connectivité généralement bonne des réseaux de transport public.

Travaux connexes[modifier | modifier le code]

De nombreuses applications de réseaux mobiles exploitent le rendez-vous des nœuds pour la communication de données et la synchronisation temporelle. Un grand nombre de travaux explore la connectivité temporelle dans le réseautage opportuniste, par exemple. Plusieurs travaux préconisent à minimiser la consommation d'énergie des nœuds en recueillant des données avec un récepteur mobile.

Le rendez-vous résultant de la gamme de communication résultante est défini par une liaison de communication réussie et est donc binaire contrairement au rendez-vous basé sur la portée de détection. Un modèle de graphe de disque unitaire d'une plage de détection est une hypothèse populaire dans un grand nombre de publications théoriques.

Bien que ce modèle soit plutôt simpliste, il est largement utilisé pour l'analyse théorique et la conception d'algorithmes. En particulier, de nombreux algorithmes de couverture précoce et de k-couverture sont basés sur ce modèle. Ces travaux ignorent souvent la déviation du modèle de la réalité ou supposent que le rayon de détection peut être obtenu. Quelques travaux proposent même d'étalonner la plage de détection pour s'adapter à des exigences spécifiques.

Des activités de recherche plus récentes explorent la diversité des gammes de détection et construisent des algorithmes qui ne sont pas limités à un modèle spécifique.

Les auteurs ont développé un algorithme d'ordonnancement de nœud économe en énergie pour des applications de surveillance de l'environnement, qui exploite les corrélations entre les capteurs pour créer le nombre maximal de sous-groupes non corrélés.

Les économies d'énergie sont réalisées en maintenant actif un seul nœud de chaque sous-groupe à la fois. Les auteurs explorent l'impact de la détection de la diversité sur la collaboration des capteurs avec l'objectif d'obtenir une couverture de détection confiante.

L'étude de la diversité de détection repose sur un déploiement de réseau de capteurs pour la détection de véhicules.

L'idée principale est de développer des modèles précis d'une plage de détection en reliant l'emplacement des événements aux résultats de détection d'événements de capteurs individuels.

Les événements sont générés intentionnellement où des événements naturels très dynamiques sont utilisés pour apprendre les plages de détection. Les similitudes des mesures sont calculées en utilisant d'une norme P, qui a besoin des capteurs pour être bien calibré.

Un autre travail qui discute des résultats de simulation d'un schéma de détection de défaut de nœud voisin en comparant des mesures de capteur dans le voisinage du nœud. Autre chercheurs proposent d'appliquer un filtrage en douceur pour corriger certaines fausses lectures en raison de défauts transitoires. Contrairement aux recherches antérieures, nous étudions le problème de la conception du rendez-vous basé sur une portée de détection inconnue dans un scénario mobile et dans un environnement non contrôlé. Les paramètres de rendez-vous obtenus ont non seulement des caractéristiques spatiales mais aussi temporelles, ce qui n'est pas exploré dans aucun des travaux ci-dessus.

cette approche fonctionne pour des capteurs bruyants non calibrés et peut être utilisé pour la détection de défauts de capteurs et le calibrage de capteurs.

Système OpenSense et déploiement[modifier | modifier le code]

OpenSense est un réseau de surveillance de la qualité de l'air composé de nœuds de capteurs mobiles, qui exploitent la mobilité d'un réseau de transport public local et de deux stations statiques gouvernementales fournissant des mesures de haute qualité. Les cycles de fonctionnement ont un impact sur les lieux et les lieux de rendez-vous.

Dans cette section, il faut avoir le matériel et le logiciel du nœud OpenSense ainsi que des statistiques sur l'exploitation du réseau OpenSense. L'évaluation est basée sur un ensemble de données. Cet ensemble de données est utilisé pour examiner les propriétés du rendez-vous pour plusieurs phénomènes environnementaux.

Le noyau d'un nœud OpenSense, représenté sur la Figure 1, est un ordinateur embarqué Gumstix avec un processeur 600MHz exécutant le système d'exploitation Linux embarqué. Un récepteur GPS fournit à la station des informations géospatiales précises. Le poids d'un nœud est d'environ 4,5 kg et sa puissance est d'environ 40 W. Les variations de la qualité de l'air local sont mesurées avec un ensemble de capteurs de gaz mesurant l'ozone (O3) et le monoxyde de carbone (CO), ainsi que la température et l'humidité relative. Cinq nœuds OpenSense sont équipés d'un deuxième capteur de température situé à l'intérieur de la boîte.

Tous les capteurs font face au sens du mouvement du véhicule et sont protégés par des couvertures contre la poussière et la pluie. Un ventilateur à l'arrière de la boîte de capteur assure un flux d'air constant à travers la boîte. O3, la température et l'humidité sont mesurés toutes les 20 s, tandis que les sondes CO et température interne sont échantillonnées une fois toutes les 60 s. Toutes les mesures sont transmises via le réseau GSM au serveur de base GSN, un middleware logiciel qui facilite la collecte de données dans les réseaux de capteurs.

Pour éviter la perte de données due à des défaillances de communication, le nœud OpenSense stocke temporairement les données mesurées dans une base de données locale jusqu'à ce que sa réception soit acquittée par le serveur d'arrière-plan. Deux stations de référence, qui font partie du réseau local gouvernemental de surveillance de la qualité de l'air, sont situées à 4m et 16m des trames PTN.

Les stations sont équipées de plusieurs instruments analytiques de haute qualité capables de mesurer les principaux polluants atmosphériques avec une grande précision. Les données de ces stations ont une résolution temporelle de 60 s. Depuis février 2013, dix nœuds OpenSense opèrent sur les tramways en parcourant une région urbaine de 100 km2.

Figure 2 (b) et la Figure 2 (c) montrent les temps de fonctionnement de chaque nœud. Un nœud de capteur fonctionne environ 20 heures par jour.

Pendant la nuit, typiquement de 1:00 AM à 5:00 AM, les tramways sont dans leurs dépôts. Tous les tramways ne sont pas utilisés tous les jours. Sur une journée régulière, en moyenne, neuf des dix tramways sont en opération. Les tramways sont accueillis par un ensemble de dépôts dans la ville marqués de cercles sur la Fig. 2 a). Un dépôt sert un sous-ensemble de lignes, ainsi, n'importe lequel de ses itinéraires peut être pris par un tramway hébergé par le dépôt. Un tramway change de route de temps en temps ou reste inactif dans un dépôt pendant quelques jours.

Par exemple, le nœud 1 est resté dans le dépôt pendant plusieurs semaines après un accident, comme le montre la Fig. 2 (b) sur le faible nombre de jours de fonctionnement.

Bien que la mobilité des capteurs soit limitée aux trajets de tramway, le réseau OpenSense couvre de nombreux endroits avec des densités de trafic faibles et élevées, des parcs, des commerces et des espaces de vie. Au total, un nœud de capteur surveille la pollution atmosphérique le long de 3-6 itinéraires différents. En moyenne, un tramway décide quotidiennement sur une nouvelle route.

Ce comportement présente deux avantages en ce qui concerne la surveillance de la qualité de l'air au-dessus d'un réseau de tramway: une bonne couverture spatiale et temporelle de la ville, comme le montre la Fig. 2 (a) et des chances élevées de rendez-vous entre les nœuds de capteurs ou entre le nœud de capteur et les stations de référence en quelques jours. Au cours des trois mois analysés, les dix nœuds de capteurs ont transmis au total plus de 4 millions de paquets de données avec des lectures d'O3, de CO, de température et d'humidité, comme représenté sur la Fig. 2 (d).

Nous utilisons ces données pour étudier la localité temporelle et spatiale des processus mesurés et pour déterminer les paramètres de rendez-vous pertinents. La position GPS et l'horodatage de chaque lecture de capteur sont exacts.

Pour ce faire, notre système met en œuvre deux filtres de données: un filtre GPS pour éliminer les lectures de capteurs avec des localisations GPS inexactes et un filtre intérieur pour filtrer les données mesurées à l'intérieur des dépôts. Environ 57,1% (2,46 millions) des mesures passent les deux filtres de données.

Le filtre GPS utilise la valeur de dilution horizontale de précision (HDOP), qui indique le positionnement géométrique des satellites GPS. Les valeurs plus faibles impliquent un bon positionnement. Dans notre mise en œuvre, nous filtrons les lectures de capteurs avec HDOP supérieur à 2,5, ce qui se traduit par 1,1% de valeurs éliminées. Le seuil 2.5 correspond à une précision de localisation de quelques mètres. Plus tard, nous montrerons que les processus mesurés avec le réseau OpenSense nécessitent une proximité spatiale de dizaines de mètres et peuvent ainsi tolérer des inexactitudes de position de plusieurs mètres.

Le filtre intérieur élimine 41,8% des mesures qui ont été éventuellement effectués dans des dépôts. Bien que les mesures soient généralement valides, elles ne fournissent pas d'estimations précises de la pollution atmosphérique urbaine et conduisent à un appariement de valeur incohérent (intérieur / extérieur) à un rendez-vous.

Indoor-Filter supprime toutes les mesures prises par un nœud OpenSense dans un rayon de 300m à partir de l'emplacement du dépôt (comme on peut le voir sur la figure 2 (a) par des mesures manquantes à proximité des dépôts). Il élimine également les mesures de capteur prises jusqu'à 30 minutes après avoir quitté le dépôt pour tenir compte du temps nécessaire pour adapter le signal du capteur aux conditions extérieures.

Rendez-vous et connectivité graphique[modifier | modifier le code]

Soit u et v deux capteurs, éventuellement mobiles. Les deux capteurs prennent des mesures ordonnées par le temps $\{Xi\},\{Yi\}\subset D\forall i,j\in \mathrm {N}$ à partir d'un domaine de valeurs de capteurs D. Soit $\phi$ un ensemble de paires de mesures prises par les capteurs u et v définis par:

$\phi =\{(Xi,Yi)|d(Xi,Yi)\leq {\widehat {d}}\land t(Xi,Yi)\leq {\widehat {t}}\}$

Où $d(Xi,Yi)$ et $t(Xi,Yi)$ définissent des distances temporelles et spatiales entre les mesures Xi et Yj, respectivement. Les paramètres d et t fixent des contraintes sur la proximité de deux mesures. Les capteurs u et v établissent un rendez-vous si l'ensemble de paires de mesures inclut au moins k valeurs, $|\phi |\geq K$ , où k dépend du cas d'utilisation de l'ensemble $\phi$ Comme nous le verrons plus loin. Paires de mesures en $\phi$ Sont appelés paires de rendez-vous.

Une paire de rendez-vous peut être déterminée en comparant les horodatages et les positions GPS de deux lectures de capteur prises par u et v. Rendez vous permet un certain nombre d'applications utiles, telles que la détection de défaillances de capteurs et l'étalonnage de capteur, si la corrélation des paires de rendez-vous est élevée. Dans cette section, nous étudions expérimentalement la dépendance entre les paramètres de rendez-vous d et t et la corrélation des paires de rendez-vous pour différents processus environnementaux basés sur les mesures de capteur acquises par le déploiement d'OpenSense.

Un processus est local, si elle requiert des paramètres de rendez-vous strictement fixés pour obtenir une corrélation élevée des paires de rendez-vous. Nous étudions le compromis entre la localité d'un processus d'intérêt et le temps nécessaire pour obtenir un nombre suffisant de paires de rendez-vous entre les capteurs dans OpenSense Réseau pour tirer des conclusions sur l'état des capteurs déployés.

Rendez-vous induit par le processus[modifier | modifier le code]

Un ensemble de paires de rendez-vous pour certaines valeurs de paramètres de rendez-vous ${\widehat {d}}$ et ${\widehat {t}}$ , nous calculons le coefficient de corrélation de Pearson pour quantifier leur similarité. Nous avons besoin de $|\phi |\geq 1.000$ paires de rendez-vous entre deux capteurs quelconques et faire varier les valeurs des paramètres spatiaux et temporels de rendez-vous ${\widehat {d}}\in$ [25 m, 500 m] et ${\widehat {t}}\in$ [1,5 min, 30 min]. Bien que tous les capteurs utilisés dans l'évaluation ne soient pas parfaitement étalonnés, les courbes d'étalonnage de ces capteurs sont presque linéaires [30, 31]. Dans ce cas, un étalonnage insuffisant n'a pas d'impact sur la corrélation entre deux capteurs.

Figure 4 : Le nombre moyen de paires de rendez-vous entre deux capteurs augmente significativement avec l'augmentation des paramètres de rendez-vous spatial et temporel (a). Le nombre de paires de rendez-vous des heures supplémentaires (^ d = 100 m, ^ t = 10 min) dépend du nombre de noeuds en fonctionnement (b) et est réparti de manière inégale entre eux (c). L'épaisseur des lignes est proportionnelle au nombre de paires de rendez-vous.

Figure 5 : Le nombre moyen de paires de rendez-vous entre deux capteurs augmente significativement avec l'augmentation des paramètres de rendez-vous spatial et temporel (a). Le nombre de paires de rendez-vous des heures supplémentaires (d = 100 m, t = 10 min) dépend du nombre de noeuds en fonctionnement (b) et est réparti de manière inégale entre eux (c). L'épaisseur des lignes est proportionnelle au nombre de paires de rendez-vous.

Dans la première rangée de la Fig. 3, nous présentons la corrélation moyenne par paires de rendez-vous Paires pour les processus surveillés par le réseau OpenSense: CO, O3, température et humidité. Les résultats obtenus suggèrent une grande variabilité des modèles de détection à la fois dans le temps et l'espace en fonction du processus d'intérêt. Nous observons un modèle de diminution de corrélation irrégulière alors que notre attente est une désintégration monotone. Nous faisons les observations suivantes: les capteurs sont soumis au bruit, le changement du processus peut être trop rapide pour notre programme de mesure et le changement du processus peut être trop local pour nos exigences de proximité spatiale. Nous lisser les valeurs dans les paires de rendez-vous pris avec le même capteur avec une moyenne mobile pour aborder les deux premières questions. On notera que l'échantillonnage éparse peut être compensé par l'agrégation des signaux. Dans la deuxième rangée de la Fig. 3, on lisse les séquences en utilisant des moyennes mobiles avec une taille de fenêtre de 20 avant de calculer les coefficients de corrélation. Pour tous les phénomènes considérés, nous avons pu obtenir une image plus cohérente de la décroissance de la relation spatiale et temporelle entre les séquences de mesures. Nos résultats suggèrent que la variation de CO dans l'air est très locale et nécessite une proximité spatiale de < 100m (figure 3 (a) et figure 3 (e)) pour deux capteurs rendant un rendez-vous. La variation de l'humidité et de la température est faible sur les limites temporelles et spatiales considérées. Ceci est confirmé par une corrélation élevée (> 0,95) des paires de rendez-vous pour tous les points des parcelles (figure 3 (c) -Fig. 3 (d) et figure 3 (g) -Fig. Dans ce cas, l'amélioration obtenue grâce à l'agrégation des données est insignifiante en raison du faible bruit des capteurs, comme en témoigne une très faible augmentation des corrélations moyennes. Le coin inférieur gauche de toutes les sous-figures de la Fig. 3 ne contient aucune donnée en raison du faible nombre de paires de rendez-vous ( $|\phi |$ <1 000) et est donc de couleur blanche. Nous observons un compromis important entre la corrélation des paires de rendez-vous et leur nombre. D'une part, des valeurs plus strictes des paramètres de rendez-vous conduisent à une corrélation plus élevée des valeurs. D'autre part, il faut plus de temps pour obtenir un nombre suffisant de paires de rendez-vous pour permettre leurs applications utiles, telles que la détection de défaut de capteur et le calibrage de capteur.

Graphique de connexion Rendez vous[modifier | modifier le code]

Le nombre de paires de rendez-vous dépend des paramètres ${\widehat {d}}$ et ${\widehat {t}}$ . L'analyse de l'ensemble de données OpenSense révèle que le nombre de paires de rendez-vous augmente de manière significative pour les plus grandes ${\widehat {d}}$ et ${\widehat {t}}$ , cf. Figue. 4 (a). En moyenne, une paire de capteurs situés à 100m les uns des autres et en prenant des mesures jusqu'à 10 min d'écart fait plus de 20.000 mesures parallèles sur la période de trois mois. Nous représentons le nombre total de paires de rendez-vous par heure pour ce paramètre de la Fig. 4 (b).

Un tramway était en maintenance avant la mi-avril, ce qui explique l'augmentation de 9 fois des paires de rendez-vous au cours des 1,5 derniers mois. La distribution des paires de rendez-vous entre les nœuds est inégale, comme le montre la Fig. 4 (c) (l'épaisseur de la ligne est proportionnelle au nombre de paires de rendez-vous) et dépend du fait que deux tramways partagent le même dépôt et servent ainsi le même ensemble de lignes. Un grand nombre de paires de rendez-vous en soi ne permet pas de comparer deux capteurs quelconques dans un réseau mobile.

Nous introduisons un graphe de connexion de rendez-vous comme un graphe non dirigé avec un ensemble de capteurs comme ses sommets, et un ensemble d'arêtes entre les capteurs, qui font un rendez-vous. La connectivité du graphe de connexion de rendez-vous est cruciale pour identifier les défaillances des capteurs et pour mettre à jour l'étalonnage des capteurs comme cela sera montré dans la section suivante. Dans la Fig. 5, nous traçons la probabilité d'avoir le graphe de connectivité OpenSense connecté en une limite de temps donnée en jours. Nous comparons les résultats pour les cas où $|\phi |$ $\geqslant$ 1; 000 et $|\phi |$ $\geqslant$ 5; 000 paires de rendez-vous sont suffisantes pour se qualifier pour un rendez-vous. Ceci est nécessaire dans le cas de capteurs bruyants et donne la possibilité de calculer une corrélation entre les paires de rendez-vous. Dans tous les cas, notre jeu de données suggère que dans les 4 jours, il est hautement probable de connecter l'ensemble du réseau.

Tous les nœuds du réseau sont toujours accessibles en 7 jours. Comme on peut le voir sur la Fig. 5 (b), rendez-vous très serré.

Les paramètres peuvent augmenter le temps requis pour la connectivité réseau, cependant, la plupart des processus surveillés par le réseau OpenSense définissent des contraintes plus souples au rendez-vous (par exemple ${\widehat {d}}$ = 100m et ${\widehat {t}}$ = 10 min). La prise en compte des stations de référence n'affecte pas le temps nécessaire pour atteindre tous les noeuds du réseau, ce qui indique qu'un sous-ensemble de noeuds OpenSense passe souvent par des stations de référence.

applications rendez-vous[modifier | modifier le code]

Nous terminons le papier avec deux études de cas qui utilisent le rendez-vous introduit pour détecter Des capteurs défectueux et de calculer des paramètres d'étalonnage à jour pour les capteurs fonctionnels. D'après nos conclusions de l'art. Nous fixons le seuil spatial et temporel d'un rendez-vous à ${\widehat {d}}$ = 100m et ${\widehat {t}}$ = 10 min, respectivement. Pour simplifier, nous utilisons le même seuil pour tous les ensembles de données environnementales.

Étude de cas: Détection de capteur défectueuse[modifier | modifier le code]

Un capteur défectueux génère souvent des données qui ne sont pas visibles et ne Sont conformes aux modèles de défaut généralement utilisés. Cela rend la détection des défauts non défi. Dans ce travail, nous considérons un capteur défectueux si ses mesures ne sont pas corrélées avec la majorité des capteurs mutuellement corrélés au rendez-vous. Une définition similaire d'un capteur défectueux dans des réseaux statiques est utilisée. Les défauts du capteur peuvent être la conséquence de défaillances matérielles (p. Ex., Les capteurs de gaz peuvent être détruits s'ils sont exposés à de la graisse ou à des solvants organiques). Bien que nos capteurs de gaz ne soient pas étalonnés, ils ne sont pas considérés comme défectueux et donnent des corrélations élevées en raison de la linéarité de leur sortie de capteur. Les transformations linéaires n'ont aucun effet sur le coefficient de corrélation de Pearson. Dans le cas de phénomènes environnementaux facilement compréhensibles, tels que la température, il est souvent évident si un capteur est défectueux ou non. Par exemple, l'instantané de la Fig. La figure 6 (a) montre un capteur de température évidemment défectueux en considérant que le capteur est calibré et que les mesures ont été prises en été. Un filtre de seuil serait capable de détecter ce type de défauts. Pour de nombreux phénomènes environnementaux comme les gaz et même l'humidité, un capteur défectueux peut être difficile à reconnaître. Figue. La figure 7 (a) montre un exemple de capteur d'humidité défectueux, difficile à identifier sans autre donnée.

Figure 6 : Le capteur de température défectueux du noeud 3 peut être facilement détecté, par exemple, par un filtre de seuil. La corrélation avec d'autres capteurs est inférieure à celle entre les capteurs entièrement fonctionnels.

Figure 7 : Le capteur d'humidité défectueux du nœud 6 ne semble pas bien visible et n'est pas conforme aux modèles de défaut habituellement utilisés. Cependant, il révèle une corrélation significativement plus faible avec d'autres capteurs en comparaison avec la corrélation des capteurs entièrement fonctionnels.

Sur la base des données du réseau OpenSense, nous observons qu'une corrélation étonnamment faible des paires d'étalonnage à un rendez-vous indique que l'un des capteurs ne fonctionne pas correctement. Nous démontrons cette affirmation à l'aide de la Fig. 6 (b) et la Fig. 7 (b), où les deux tracés montrent des corrélations par paires entre les capteurs de température et d'humidité attachés aux noeuds OpenSense pour ${\widehat {d}}$ = 100m et ${\widehat {t}}$ = 10 min.

L'épaisseur du bord est proportionnelle à la corrélation des mesures des nœuds au rendez-vous. Le capteur de température défectueuse est le capteur de température interne intégrée dans cinq nœuds OpenSense. Seuls ces nœuds OpenSense ont des bords dans le graphe de connexion de rendez-vous de la Fig. 6 (b). La corrélation moyenne entre le capteur 3 et les autres capteurs est de 0,32, alors que la corrélation moyenne entre les capteurs fonctionnant correctement est > 0,98. Le capteur d'humidité défectueux a une corrélation moyenne de 0,21 avec d'autres capteurs, alors que les capteurs fonctionnels ont une corrélation > 0,96 entre eux.

Étude de cas: Calibration du capteur[modifier | modifier le code]

Dans la deuxième étude de cas, nous montrons comment le rendez-vous peut être utilisé pour étalonner les capteurs lowcost. Les dix noeuds de capteurs passent de temps à autre par deux stations de référence, situées à proximité des voies de tramway. Nous utilisons ces rendez-vous entre les nœuds de capteurs et les stations de référence pour calculer les paramètres d'étalonnage à jour des capteurs d'ozone et de température déployés dans les nœuds OpenSense. Nous illustrons l'applicabilité de l'étalonnage de capteur en utilisant le rendez-vous avec un extrait de données de trois jours du noeud de capteur 7. Nous employons la méthode des moindres carrés pour ajuster les paramètres d'étalonnage des capteurs de telle sorte que la somme des différences carrées entre mesures de capteur et mesures de référence est minimisée.

Avec cette approche d'étalonnage, nous sommes en mesure d'augmenter considérablement la précision de mesure du nœud 7, comme représenté sur la Fig. 8. Pour la température, l'erreur absolue moyenne est réduite de 2,1 ± 1,6 ° C à 0,4 ± 0,5 ° C et pour l'ozone de 10,5 ± 5,3 ppb à 4,2 ± 5,1 ppb. De plus, nous pourrions supprimer pour les deux capteurs une polarisation indésirable comme on peut le voir sur l'erreur moyenne de 0 (lignes droites colorées sur la figure 8 (b) et la figure 8 (d)).

Conclusion[modifier | modifier le code]

Ce travail a introduit et exploré le potentiel de rendez-vous basé sur les phénomènes entre les capteurs dans un cadre mobile. Pour notre analyse, nous avons utilisé les données Réseau OpenSense, qui surveille la qualité de l'air au-dessus des tramways en zone urbaine . Les corrélations par paires entre les mesures de capteurs mobiles à différentes distances spatiales et temporelles ont révélé une dépendance entre la localité d'un phénomène surveillé et la force de corrélation. Cette dépendance affecte les paramètres qui définissent un rendez-vous et contrôlent sa durée et sa fréquence. Nous avons présenté les résultats d'un ensemble de données comprenant des lectures de CO, O3, de température et de capteur d'humidité. Nous avons constaté que tous les capteurs du déploiement OpenSense peuvent être atteints en quelques jours pour tester le comportement correct de l'ensemble du réseau. Comme cas d'étude des concepts développés, nous avons utilisé le rendez-vous pour détecter les défaillances des capteurs et pour améliorer l'étalonnage des capteurs.

Figure 8 : Avant et après l'utilisation du rendez-vous pour calibrer les capteurs de température et d'ozone du noeud 7. Les lignes colorées indiquent la moyenne (droite) et l'écart-type (pointillé) des erreurs de mesure par rapport aux mesures de la station de référence.

Références :[modifier | modifier le code]

[1] H. Carfantan, J. Idier, "Statistical Linear Destriping of Satellite-Based Pushbroom-Type Images," in IEEE Transactions on Geoscience and Remote Sensing, vol. 48, no. 4, pp. 1860-1871, April 2010.

[2] O. Saukh, D. Hasenfratz, L. Thiele, Reducing Multi-Hop Calibration Errors in Mobile Sensor Networks, in Proc. of IPSN, 2015.

[3] D. Hasenfratz, Enabling Large-Scale Urban Air Quality Monitoring with Mobile Sensor Nodes, Ph.D. thesis, ETH Zurich, Switzerland, 2015.

[4] C. Dorffer, M. Puigt, G. Delmaire, G. Roussel, Blind calibration of mo- bile sensors using informed nonnegative matrix factorization, in Proc. of LVA/ICA 2015, vol. LNCS 9237, pp. 497-505, 2015.

[5] C. Dorffer, M. Puigt, G. Delmaire, G. Roussel, Nonlinear mobile sensor calibration using informed semi-nonnegative matrix factorization with a Vandermonde factor, in Proc. of SAM, 2016.

[6] M. Pollefeys, D. Nister, Direct computation of sound and microphone locations from time-difference-of-arrival data, in Proc. of ICASSP, pp. 2445{2448, 2008.

[7] I. Dokmanic, J. Ranieri and M. Vetterli, Relax and unfold : Microphone localization with Euclidean distance matrices, in Proc. of EUSIPCOpp. 265{269, 2015.

[8] D. Christin, A. Reinhardt, S. S. Kanhere, M. Hollick, \A survey on pri- vacy in mobile participatory sensing applications," Journal of Systems and Software, vol. 84, no. 11, pp. 1928{1946, 2011.

[9] K. Wiesner, F. Dorfmeister, C. Linnhof-Popien, Privacy-Preserving Calibration for Participatory Sensing, in Proc. of Mobile and Ubiqui- tous Systems : Computing, Networking, and Services (2013), Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol. 131, pp. 276{283, 2014.

[10] J.-F. Markert, M. Budde, G. Schindler, M. Klug, M. Beigl, Private Rendezvous-based Calibration of Low-Cost Sensors for Participatory Environmental Sensing, in Proc. of the Second International Confe- rence on IoT in Urban Space, ACM, New York, NY, USA, pp. 82,85, 2016.