Bayesian Prediction and Adaptive Sampling Algorithms for Mobile Sensor Networks: Online Environmental Field Reconstruction in Space and Time

این مختصر کلاسی از مشکلات و مدل‌ها را برای پیش‌بینی میدان اسکالر مورد نظر از مشاهدات پر سر و صدا جمع‌آوری‌شده توسط شبکه‌های حسگر سیار معرفی می‌کند. همچنین مشکل هماهنگی بهینه حسگرهای رباتیک را برای به حداکثر رساندن کیفیت پیش‌بینی موضوع به محدودیت‌های ارتباطی و تحرک به صورت متمرکز یا توزیع شده معرفی می‌کند. برای حل چنین مشکلاتی، رویکردهای کاملاً بیزی اتخاذ می‌شوند که به منابع مختلف عدم قطعیت اجازه می‌دهد تا در یک چارچوب استنتاجی ادغام شوند که به طور مؤثر تمام جنبه‌های تنوع درگیر را در بر می‌گیرد. رویکرد کاملاً بیزی همچنین اجازه می دهد تا مناسب ترین مقادیر برای پارامترهای مدل اضافی به طور خودکار توسط داده ها انتخاب شوند و استنتاج و پیش بینی بهینه برای میدان اسکالر زیربنایی به دست آید. به طور خاص، رگرسیون فرآیند گاوسی مکانی-زمانی برای حسگرهای رباتیک فرموله شده است تا اثرات چند عاملی مشاهدات، نویز اندازه‌گیری، و توزیع‌های قبلی را برای به دست آوردن توزیع پیش‌بینی‌کننده یک میدان محیطی اسکالر مورد علاقه ترکیب کند. تکنیک‌های جدیدی برای جلوگیری از روش‌های محاسباتی زنجیره مارکوف مونت کارلو برای حسگرهای موبایلی با محدودیت منابع معرفی شده‌اند. الگوریتم‌های نمونه‌برداری و پیش‌بینی تطبیقی ​​بیزی برای شبکه‌های حسگر تلفن همراه با یک مدل فضایی-زمانی ساده شروع می‌شود و سطح انعطاف‌پذیری و عدم قطعیت مدل را گام به گام افزایش می‌دهد، همزمان مسائل پیچیده‌تر را حل می‌کند و با افزایش پیچیدگی کنار می‌آید تا با رویکردهای کاملاً بیزی به پایان می‌رسد. طیف گسترده‌ای از عدم قطعیت‌ها را در مشاهدات، پارامترهای مدل و محدودیت‌ها در شبکه‌های حسگر سیار در نظر بگیرید. این کتاب به موقع است، و برای بسیاری از محققان در کنترل، رباتیک، علوم کامپیوتر و آمار بسیار مفید است که سعی می‌کنند کارهای مختلفی مانند نظارت بر محیط‌زیست و نمونه‌گیری تطبیقی، نظارت، اکتشاف و ردیابی ستون‌ها را انجام دهند. مشکلات با ترکیب یکپارچه از نظریه ها و مفاهیم از آمار بیزی، شبکه های حسگر سیار، طراحی آزمایش بهینه، و محاسبات توزیع شده به طور خلاقانه حل می شوند.

This brief introduces a class of problems and models for the prediction of the scalar field of interest from noisy observations collected by mobile sensor networks. It also introduces the problem of optimal coordination of robotic sensors to maximize the prediction quality subject to communication and mobility constraints either in a centralized or distributed manner. To solve such problems, fully Bayesian approaches are adopted, allowing various sources of uncertainties to be integrated into an inferential framework effectively capturing all aspects of variability involved. The fully Bayesian approach also allows the most appropriate values for additional model parameters to be selected automatically by data, and the optimal inference and prediction for the underlying scalar field to be achieved. In particular, spatio-temporal Gaussian process regression is formulated for robotic sensors to fuse multifactorial effects of observations, measurement noise, and prior distributions for obtaining the predictive distribution of a scalar environmental field of interest. New techniques are introduced to avoid computationally prohibitive Markov chain Monte Carlo methods for resource-constrained mobile sensors. Bayesian Prediction and Adaptive Sampling Algorithms for Mobile Sensor Networks starts with a simple spatio-temporal model and increases the level of model flexibility and uncertainty step by step, simultaneously solving increasingly complicated problems and coping with increasing complexity, until it ends with fully Bayesian approaches that take into account a broad spectrum of uncertainties in observations, model parameters, and constraints in mobile sensor networks. The book is timely, being very useful for many researchers in control, robotics, computer science and statistics trying to tackle a variety of tasks such as environmental monitoring and adaptive sampling, surveillance, exploration, and plume tracking which are of increasing currency. Problems are solved creatively by seamless combination of theories and concepts from Bayesian statistics, mobile sensor networks, optimal experiment design, and distributed computation.