复杂环境中高效稳健的传感器布置
传感器布置优化方法研究广泛,但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖,从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络,并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本,相关地,我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后,我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。
May, 2024
研究了基于流量守恒假设下的传感器放置问题,提出了一种高效自适应的贪心启发式算法,并通过实验结果证明该方法能够比现有方法更准确地推断出网络中缺失的测量值,尤其在只有少量传感器可用时,考虑不完全或不准确的基准估计结果能够大大提高预测误差。
Dec, 2023
本文提出了一种新的传感器放置问题的建模方法,在连续型赌臂问题框架下通过 Thompson sampling、Bayesian 直方图等方法进行求解,并使用模拟实验验证了本方法与其他竞争算法相比具有更低、更稳定的贝叶斯遗憾值。
May, 2019
本文提出了一种分布式在线贪心(Distributed Online Greedy, DOG)算法,用于从大型传感器网络中选择传感器来获取最有用的信息,算法证明了当效用函数满足自然的递减收益特性(称为次模性)时,可以实现非常强的理论无悔保证。该算法具有极低的通信要求,并可扩展到大型传感器网络中,同时支持基于观测值的传感器选择。在多个真实感知任务中进行了实证研究,证明本算法的有效性。
Feb, 2010
基于灰盒贝叶斯优化和仿真评估,我们提出了一种新颖的、样本高效的方法,在任意室内空间中找到高质量的传感器布置,用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识,并将其纳入到贝叶斯优化的迭代选择查询点过程中,考虑了两个仿真室内环境和包含人类活动和传感器触发的真实数据集,我们展示了相对于现有的黑盒优化技术,我们提出的方法在识别高质量传感器布置方面表现更好,在 F1 得分方面实现了准确的活动识别,同时还需要更少的昂贵函数查询次数(平均减少了 51.3%)。
Sep, 2023
通过差分编程在神经网络模型的训练中利用传感器放置来改善场重建,我们的方法有潜力显著提高数据收集效率,实现更全面的区域覆盖,并减少传感器部署的冗余。
Dec, 2023
利用深度强化学习方法自动学习改进性启发式算法,提出一种针对环境监测和灾害管理的传感器布置方法,与现有方法相比,证明了其在生成高质量解决方案方面的有效性和优越性,为应用先进的深度学习和强化学习技术解决关键气候传感器布置问题提供了有希望的方向。
Oct, 2023
对于无人机在关键领域的威胁,通过计算三角传感器的部署,优化覆盖范围、成本效益和容错性,可实现对无人机的有效定位和监测。
Dec, 2023
通过提出 Place3D 框架,我们针对多雷达感知系统在复杂条件下的鲁棒性问题进行了研究,包括雷达布置优化、数据生成和下游评估,并通过引入 Surrogate Metric of the Semantic Occupancy Grids (M-SOG) 评估雷达布置质量,在多类恶劣环境和传感器故障条件下展现了卓越的稳健性。
Mar, 2024
该论文提出了一种优化道路激光雷达 (LiDAR) 布置的方法,通过在场景中选择优化位置以提升感知性能。使用基于感知增益的贪婪算法,顺序选择可以最大化感知增益的位置。为了获得感知能力,提出了一种感知预测器来仅使用单个点云帧评估 LiDAR 布置,同时创建了一个名为 Roadside-Opt 的数据集来促进研究道路激光雷达布置问题。
Oct, 2023