以市场为基础的方法来移动监测系统

文摘

公共和私人的积极监测网站正日益成为一个非常重要和关键的问题。因此,必须开发移动监测系统来保护这些网站。现代监测系统包含空间分布式移动和静态传感器提供持续有效的监控和瞬态对象和事件感兴趣的特定区域(AOI)。实现移动监控要求的潜在解决方案不同的具有挑战性的问题,如任务分配,移动传感器部署、多传感器管理、合作对象检测和跟踪,分散的数据融合和互操作性和可访问性的系统节点。提出了一种以市场为基础的方法,可以用来处理不同问题的移动监测系统。任务分配和合作目标跟踪研究了使用该方法作为两个具有挑战性的问题的移动监测系统。这些挑战是解决个人和团体。

1。介绍

最活跃的研究主题之一是如何基于移动和固定传感器平台自动化监测任务(1]。许多好处可以预期从多传感器系统在监控应用程序的使用2,3),如减少任务完成时间和任务可靠性增加。一般来说,监控公共和私人的网站是主要的多传感器监测系统中的应用。监测系统的主要目标是提供信息,使系统能够理解和预测观察到的对象的行为和交互为了执行不同的任务。这些任务的例子包括目标搜索、识别、跟踪。先进的监测系统包含空间分布式移动和静态传感器提供持续有效的监控和瞬态对象和事件感兴趣的特定区域(AOI) [4]。移动监测系统将自组织网络的移动传感节点不同的形式,数据和信息融合节点,代理节点,控制节点。这些节点自组织协作,不断在感兴趣的体积,以及物理操作和与之交互。监测系统的主要目标是调整感应条件改善的可见性,从而提高性能(5]。在这样的设置,监测是一个复杂的问题提出许多具有挑战性的问题。

本文提出一种以市场为基础的方法来移动监测系统。我们的目标是开发一种方法,有效地分配任务中移动传感器团队完成监测任务。这种方法将支持移动传感器的操作,这样他们就可以协同执行任务,如检测和跟踪移动目标。为了最大化移动传感器团队协作的有效性作为一个整体,每一个移动的动作传感器应考虑队友的贡献向任务目标。如何完成这是一个复杂的问题,目前一个活跃的研究领域(6,7]。这需要解决的一些挑战性的问题集体移动监控,没有调查在过去。这些问题包括,但不限于,任务分配,移动传感器部署、合作对象检测和跟踪,和分散的数据融合8]。本文解决了两个问题:任务分配和合作检测和跟踪。这些问题是解决个人和团体。

大量的任务分配方法在文献[已报告9- - - - - -12]。然而,许多方面到目前为止很少得到关注。这些方面的例子有复杂的任务分配和任务分配的约束。复杂的任务是那些任务可以分解成不同的子任务。使用一个复杂的任务是保证生产任务分配问题的更有效的解决方案13]。因此,复杂的任务分配14摘要]被认为是作为一个流动监测的设计框架的一部分。

目标跟踪问题(15)关心的是估计的状态感兴趣的目标或目标在某些领域基于固定的一些测量传感器,在大多数情况下。然而,使用固定传感器有许多约束力量使用多个移动传感器动态移动随着时间的推移,特别是在监视应用程序。因此,目标探测和跟踪也是解决本文使用移动传感器移动监测的设计框架。

本文的其余部分组织如下。部分2介绍了移动监控的配方问题解决部分中描述的使用提出了以市场为基础的框架3。部分4总结了实验结果处理复杂的任务分配和目标进行检测和跟踪。最后,结论和未来的工作进行了总结5。

2。问题公式化

这部分强调了问题公式化的主要组件提出流动监测框架如图1解决两个主要challenges-complex任务分配和目标探测和跟踪。

2.1。复杂的任务分配

本节提供了既简单又复杂的任务分配问题定义和制定复杂的任务分配。

定义1(简单的任务分配)。给定一组移动传感器每找一个任务和一组任务每个需要一个传感器。简单的任务分配可以定义为一个函数,每个任务映射到一个移动传感器来执行。同样的,所有分配的任务吗团队的传感器。

定义2(复杂的任务分配)。给定一组移动传感器和一组任务。让是一组或一束任务可分解成其他任务吗。复杂的任务分配可以被定义为一个函数,每个子任务映射到一个移动传感器负责完成。同样,是所有子任务的分配团队的传感器。

简单和复杂的任务分配,目的是将传感器分配给任务,以最大化期望的整体性能,考虑的重点任务和传感器的技能等级。适当的功能需要可能的任务结果映射到收入的价值和可能的方案来执行任务映射到成本值。一般来说,移动传感器接收收入完成一个特定的团队任务并支付费用。移动传感器还可以从另一个传感器获得收入以换取商品或服务。

任务分配的问题,可以在许多方面制定。鉴于我们监视应用程序域,它可以制定如下。(1) :二维有界感兴趣的领域。(2) :一组移动传感器。假设每个传感器携带传感器(如摄像头、声纳、激光测距仪)。(3) :一组任务。(4) :一组传感器实用程序,实用的传感器吗执行任务。

针对单一传感器任务,问题是找传感器的优化配置任务,将一对组传感器和任务(16]:

一般情况下,问题是要找到一组任务的优化配置传感器的一个子集,它将负责完成(13]:

每个移动传感器可以表达其执行任务的能力,或者一束任务通过投标或。包的成本的任务可以简单地计算成本的总和个人的任务: 在哪里包的数量的任务吗。该集团的任务决定了包的任务,每个移动传感器接收。这些包可以描述如下:

全球目标函数可以随需求的系统或设计师的偏好。最常见的全球目标是团队成员的总和最小化成本,可以用数学方法描述如下: 在哪里执行所需的总成本分配吗,是任务由传感器获得的包吗。

虽然移动传感器的团队成员可能定义良好的成本或效用函数,这些函数仍然依赖于准确的世界模式状态,可能需要计算昂贵的操作。当有多个目标位置在监视应用程序,确定成本甚至执行一个任务需要解决多个路径规划问题。因此,旅行商问题(TSP)的一个实例(17,18可能被使用。在这项工作中,我们使用的是最短的序列规划算法(SSP) [19)为了找到每个移动传感器的最小成本路径考虑到任务的位置。在该算法中,代理人的任务是与来访的一组点和秩序的目标是找到它应该访问这些点有最小的旅行距离没有回到原来的地方,从而完成所需的任务与附近最佳的系统性能。

2.2。目标检测和跟踪

本节提供的一般制定目标探测和跟踪问题。有一些变化,同样的符号和术语为目标跟踪那些介绍(20.本文使用)。考虑以下。(1) :一个二维有界障碍自由感兴趣的领域。(2) :一组n移动目标,。的位置在时间将用。感兴趣的目标不能离开该地区,也就是说,。(3) :一个团队移动传感器。假设每个传感器携带传感器(激光测距仪)能够检测出目标。(4) :传感器覆盖,它的子集可见,移动传感器在时间。这个区域变化的传感器内移动,但它的形状应该是没有改变。本文全方位感知形状为每个移动传感器。(5) 观测矩阵。一个传感器据说是观察目标目标是在什么时候的感应范围:

我们的目标是开发一个算法最大化平均覆盖率它可以被定义为: 在哪里

换句话说,这个问题需要最大化的目标所观察到的移动传感器。算法的执行时间。假设

一段时间内的平均节能也用作评价指标: 在哪里是睡着了追踪器的数量,追踪者的总数,算法的执行时间。

节能可以通过考虑数量的测量忙和睡着了随着时间的推移追踪器。

此外,它假定目标的最大速度小于传感器的最大速度,为了给传感器达到目标的能力。如果目标总能移动得更快,他们总是可以逃避问题成为不溶性的传感器和移动传感器的团队。最后,它假定传感器通信机制,它允许他们以广播方式发送和接收消息。

3所示。提出了以市场为基础的方法来移动监测系统

以市场为基础的方法得到了很大的关注和快速增长在过去的几十年里尤其在可替换主体域(7,21]。这些方法是混合的方法(即结合集中式和分布式策略。以市场为基础的方法有集中式和分布式的元素)。摘要决定使用拍卖来自拍卖方法的一些可取的属性的存在(22,23)如效率、健壮性和可伸缩性。

3.1。单发和组合拍卖

到目前为止,研究人员已经研究了单项拍卖物品的拍卖一次(24]。然而,如果投标人的项目之间有很强的协同效应,高度从1拍卖可以导致次优团队解决方案25]。据说两项展览积极或消极的协同作用对投标人如果联合投标的投标人在这两项的总和大于或小于其个人对每个项目分别报价。

一个例子是显示在图2。AOI-1之间存在积极的协同作用和车站AOI-2移动传感器因为他们是彼此接近。移动传感器可以达到AOI-2短距离(5米)后,已达到AOI-1(5米)。所以,单报价之和在AOI-1和AOI-2 ()是超过的联合竞标在这两个领域()。另一方面,有一个负站1和AOI-1之间协同作用因为它们的两侧,因此移动传感器因此可以达到的地区只有一个长旅行距离后,已经达到了另一个。

一般来说,组合拍卖试图克服的缺点1拍卖项目,允许投标人投标包(13,25]。如果投标人一捆获胜,他们赢得的所有项目包。

3.2。拍卖设计

任务分配的方法提出了模仿拍卖竞价买卖服务的过程。的卖家或拍卖行负责处理买家或买家发送的报价和确定中标人。在本节中,简要了解如何设计拍卖过程将基于最大化效用函数。

3.2.1之上。效用函数

效用是有用的性质或状态。对任务分配问题,实用程序是一个满意度(价值利润)派生的移动传感器在完成一个任务。

给定一个移动传感器和一个任务,如果有能力执行,实用程序可以被定义13在一些标准化量表) 在哪里是总付款后收到执行任务,总距离它旅行到任务。执行任务的优先级应该考虑在设计任务分配框架。我们的目标是找到最优分配的任务对传感器以最小的成本和最大的整体效用。因此,在理想的情况下优化系统性能。因此,我们的目标是将传感器分配给任务,最大化成本我们假设没有付款后收到执行任务。

3.2.2。搜索树

大部分的任务分配方法治疗任务作为原子单元(23,26- - - - - -28]。因此,只允许每个任务的静态描述,所以唯一的自由度是确定的传感器将被指派的任务。虽然这个描述好简单的任务,它不是复杂的任务。鉴于提交的投标,搜索在所有可能的配置可以作为冠军的决心的策略。在这种情况下,搜索树可以作为一个更好的描述的任务。在这棵树,移动传感器团队成员被允许投标抽象节点代表不同层次的任务,从而使分级规划、任务分配,优化团队成员之一。

在我们的工作中,复杂的任务分配和有序树结构。树的节点(元素)立即大于一个节点被称为它的孩子,在节点立即少即是其母(如果它存在的话)。任何节点少是一个祖先和后裔的任何节点更大。没有祖先是一个根节点。部分排序代表距离根,下面的良序要求禁止任何循环或分裂一个节点(也就是说,每个节点最多有一个家长,因此最多一个grand-parent,等等)。换句话说,如果,还有一个这样之间没有什么和。也许最好的方式来说明任务树的机制是通过一个简单的例子。图3显示了一个监控场景中,代表一个购物中心在滑铁卢,加拿大安大略省。任务是监控一组感兴趣的领域(aoi)这样的西,老海军,海湾,Zehrs,赢家,和体育。小范围(如老海军,赢家,和运动检查),只有一个或两个视角足以实现监控任务,而三分需要访问的大面积(像西、海湾和Zehrs)。

的和/或任务树是由将监视任务的复杂的任务分解为两个子任务(大面积扫描和扫描小区域)如图4。完成请求的任务需要实现两个扫描或大或小的地区。换句话说,这两个子任务是相互关联的逻辑操作符和,这意味着这两个任务都必须被执行。子任务(扫描大面积)依次分解到其他更简单的任务,如扫描AOI-1 AOI-5, AOI-6。简单的任务可以执行的两个计划之一,含有最原始的任务。例如,可以选择扫描AOI-1,方案1和方案2。这两个替代覆盖计划计算基于最小旅行距离和第二个最小的旅行距离。方案1包含原始任务(Goto的列表,转到,转到),必须按顺序执行。同样,方案2包含相同的原始任务但顺序不同。

这样做分解是最初由操作员或选定的初始拍卖师。一旦任务树构造和分解完成后,拍卖人拍卖任务树,分发任务的团队和在适当的时候允许其他机器人使用自己的计划。然后继续拍卖轮拍卖中,每个移动传感器拥有任务树(如果它有任何任务)循环的方式。

3.3。冠军的决心策略

获胜者确定策略地址如何优化找到组报价,投标人的收入最大化。组合拍卖中,赢家的决心是np困难问题29日]寻找所有可能的配置的物品移动传感器难以计算和方法将在多项式时间内工作。

赢家决心战略高度的影响类型的分配任务的描述。正如前面所提到的,复杂的任务分配被表示为一个有序树。广度优先搜索算法用于发现这个任务的任务分配方案树结构。两个组织范式,即集中和层次分配分配过程中使用。这些模式确定的角色、关系和结构治理拍卖过程。在集中的拍卖,拍卖人拥有一系列拍卖轮将监视任务分配给移动传感器为了最大化系统效用。另一方面,在等级森严的拍卖,最初的任务分配到移动传感器通过一个中央拍卖师。每个移动传感器可以在轮举行拍卖的任务在最初的拍卖获胜。

3.4。固定树任务分配

考虑移动传感器组装一个团队来执行特定的任务。考虑进一步,每个移动传感器能够同时执行一个任务,每个任务由一个传感器可以实现。可用的任务信息不断移动传感器的团队。因此,该方法在这种情况下可以作为迭代框架的实例ST-SR-IA(单一任务Single-Robot瞬时分配)。这个团队的目的是有效地执行任务,同时最小化成本。在固定任务的上下文树分配,一组约束规定,整个拍卖机制是只基于一个任务树,这是运营商提出的或拍卖人。该算法允许使用从一开始就只有一个拍卖师拍卖的结束,所以视为一个集中式任务分配。它还允许改变拍卖人拍卖期间,只考虑该计划最初的操作符。在这种情况下,我们建议的机制可以被视为一种层次任务分配机制。另一个约束规定最多一个节点可以卖给每个投标人每拍卖。 This is because upon awarding one node to a bidder, the bid prices on other nodes become invalid due to the fact that bid prices are conditioned on the current commitments of each participant. This is can be done by modeling each mobile sensor as self-interested agent which aims to minimize its individual cost and so maximize the whole team performance by following a greedy algorithm. Each mobile sensor is either cooperating with other members of the team to achieve an outcome greater than that possible by each member alone or competing with other members to the required task at the lowest possible cost, thus eliminating waste and inefficiency. A system such as this can be highly seen in the economy and so many desirable characteristics from the market mechanisms might be used.

3.5。动态树的任务分配

拟议的固定任务树前一节中描述的配置可以被视为decompose-then-allocate方法的一个实例。这种方法的主要缺点是,最终方案不能充分考虑的成本,因为没有知识的复杂的任务分解是拍卖人的最终任务分配。同时,回溯是不允许在这种方法中,在拍卖人分解,所以任何代价高昂的错误不能纠正。通常,allocate-then-decompose方法试图避免decompose-then-allocate方法的缺点。然而,仍然有一些不足之处。出于这两种方法的缺点,我们提出动态树分配允许回溯为了恢复坏计划由拍卖师。算法允许拍卖的所有的抽象级别的使命任务实现的任务树从上到下。每个移动传感器评估其执行所需任务的能力基于拍卖的计划不是计划。我们提出动态算法执行的是只允许一个拍卖师(集中分配)或允许不同的拍卖(层次分配)。

3.6。提出了以市场为基础的目标跟踪方法

本节的主要目的是给发达的详细描述的方法跟踪多个对象,将被纳入拟议中的流动监测框架。

提出流动监测框架需要知道当前目标的位置以及他们未来的职位,为了能够确定传感器分配和状态。在这种背景下,整体的跟踪问题可以概括如下。(1)检测每一个目标在一个给定的场景。(2)识别和分类对象障碍或感兴趣的对象。(3)找到目标的重心在现场使用混合减去——集群技术。(4)跟踪目标的重心在现场使用扩展Kohonen地图。(5)跟踪出口目标最合适的跟踪器使用提示/切换以市场为基础的方法。

理想情况下,传感器的团队成员能够被动探测附近的传感器和目标确定当前位置。许多机器视觉算法开发了这种类型的位置计算。虽然视觉系统很好解决,他们不提供准确的距离信息30.]。另外,应用系统经常遭受遮挡和光照的突然变化31日]。另一方面,其他类型的传感器,如激光测距传感器(30.- - - - - -32),能够获得准确的距离和对象的几何信息的传感范围。此外,激光测距传感器没有遮挡的问题,和突然改变照明与视觉系统。激光测距传感器吸引了更多的关注领域的检测和跟踪32,33]。因此,在本文中,我们提出一个使用激光扫描仪检测算法来检测移动目标和对象。该算法的输出目标的位置和对象。每个传感器对目标的位置和其他通信对象其感应范围内传感器的团队成员。

3.6.1。目标聚类

为了使我们的方法依赖于目标的分布,而不是目标的密度(20.,34),我们选择集群环境中的目标,然后跟踪簇的中心而不是单独跟踪每个目标。聚类的目标使我们的方法节能,因为并不是所有的追踪器将活跃在所有时间。许多可用的集群技术,两个选择:减法聚类和——(35集群技术。使用背后的原因集群技术则是其高水平的准确性(36]。然而,——集群技术的问题选择的初始位置集群和集群的数量,这将影响算法的收敛速度和精度。因此,我们提出利用减法聚类技术寻找初始簇中心的数量和位置送入均值聚类技术为了找到最后的确切位置的集群中心。

操作。EKM-Based跟踪算法

聚类后检测到目标跟踪传感范围内。检测到目标的重心达到采用感官输入向量的表示:,在那里和角度不同,跟踪和目标之间的距离,分别。每个跟踪器使用一个扩展Kohonen地图(11月)37为了达到目标。扩展Kohonen地图是Kohonen的扩展地图(38),被认为是一个最著名的非监督学习的神经网络。扩展Kohonen地图,这是通过增加扇入输入权重对其输入层给出了地图监督学习的学习能力。然而,这并非总是如此。无监督学习仍然可以被使用。每个神经元在11月有一个感官权向量。图5显示了监督学习过程的延长Kohonen地图。

如图所示,假设我们已经训练一个11的例子,在那里输入数据空间中的一个点吗和输出数据空间中的一个点吗。输入模式提出了网络输入层检索相应的输出值,这将是一个近似。这是通常的方式完成,即通过让扇入权重向量竞争,并通过扇出权重向量的赢家(有壁橱扇入权重)作为网络输出值。正如上面提到的,学习是获得正确的输入模式吗通过移动接近它。此外,扇出获得正确的学习模式的输出通过移动接近: 在哪里获胜者的扇出的重量吗在学习之前,获胜者的扇出的重量吗学习后,是学习速率。

无监督11月已选择初始神经元的权重的问题。选择初始权重影响的准确性和速度的映射空间感觉数据的空间运动命令跟踪的目的。因此,在本文中,我们提出使用监督11参数(扇入和扇出)作为初始参数的无监督11月为了增加无监督地图的精度和收敛速度。因此,使用无监督11月得到的功能从感官数据空间映射到空间运动命令跟踪的目的。

3.6.3。提示/切换以市场为基础的方法

本文使用的移动传感器是假定为配备高带宽通信和一系列传感器和致动器,这使传感器能够实现合作行为在组织级别。提示/切换以市场为基础的方法就像在6)是用来保证只有一个移动传感器响应帮助调用来自传感器检测到一个目标要退出其感应范围(或在其预测跟踪范围)。移动传感器,检测到一个退出目标拍卖人的任务(即。,每一个跟踪器可以做拍卖的功能)。这使得我们的算法比只使用一个协调员的方法更加健壮,因为没有集中在这种情况下故障点。使用提示/切换以市场为基础的算法可以保证最合适的传感器会追踪出口目标。换句话说,没有必要去探索环境或检查的回答帮助电话20.]。这使得该方法比方法更节能的一个在20.]。提示/切换以市场为基础的方法所得如下。(1)帮助提示:移动传感器,需要帮助(目标)检测到一个退出广播电话帮助队友。一个传感器可以根据数量的问题多个帮助调用目标丢失。每个帮助调用包括丢失目标的位置。(2)报价提交:每个传感器接收帮助调用之后,他们把他们的投标拍卖人(传感器发出调用)的帮助。报价包括投标人到目标的距离。(3)拍卖结束:拍卖人处理报价,决定获胜者,通知投标人,这表明谁是赢家。(4)任务切换:获胜者将继续由定向本身面对的目标并将其最高速度将其感应范围内的目标。

拍卖师的存在并不意味着该系统是完全集中。系统仍然是分布式和拍卖商的功能仅仅是开始跟踪的作用。一旦开始,跟踪器将完成自己的任务,没有任何对拍卖人的依赖。此外,不存在单点故障,因为拍卖系统的变化(即根据传感器,请求帮助。,请求帮助的传感器将拍卖人)。提示/切换的过程以市场为基础的算法如图6可以概括如下。

团队的协同跟踪能力的移动传感器,每个装有扩展Kohonen地图,利用最大化的覆盖多个移动目标。主要目标是开发一个节能合作跟踪策略。为了实现这一目标,最低数量的移动传感器是用来跟踪移动目标的环境。

4所示。结果与讨论

如前所述,应该考虑两个主要阶段为了完成监测任务:任务分配和目标检测和目标跟踪。在本节中,这些阶段的模拟和结果详细介绍。

4.1。复杂的任务分配仿真和结果

为了评估建议的方法,我们认为一个区域监测应用程序,目标是监控一些地区在公共场所与一组移动传感器,每个配备一个视觉系统,传感器和激光测距仪。解决这个应用程序中,假设每个区域,一组监测点(视角)被选中的移动传感器可以查看的内部区域。架构下研究达到监测任务而记住的最小化总行驶距离的整个团队。投标时传感器经常使用SSP算法,当交易或任务完成后重新安排日程。

本节描述了一个监视一个室内场景模拟和结果。一个例子是使用一组移动传感器来调查一个室内环境,如购物中心或机场。为此,提出的算法和模拟应用于滑铁卢机场在滑铁卢,加拿大。滑铁卢机场包括六个主要地区,所以该系统的目的是跟踪目标在这些领域中,如人,为了确保机场。为了实现这个目标,机场地区(感兴趣的领域(aoi))应该首先被分配到可用的移动传感器。每个移动传感器将扫描分配区域,如果有的话,寻找目标跟踪。并不是所有的传感器区域扫描。换句话说,该任务分配方法可以分配多个区域移动传感器为了减少旅行费用。感兴趣的领域在这个场景中数量是固定的(六个地区),本节提出了模拟假设固定数量的地区与不同数量的移动传感器实现监测任务所需。

平均成本计算通过计算执行任务的成本使用50分任务,然后取平均值。的平均成本,导致数据7和8表明,固定和动态树分配(集中和分层)始终优于其他算法。也看到动态树分配优于固定树分配,这是预期的重新规划能力添加到传感器的动态树分配。

平均等级任务树算法比集中式任务树算法除了其良好特性依赖于不同的拍卖相比,一个拍卖师集中式算法。这是因为分层拍卖允许更多的拍卖轮发生所以移动传感器可能会发现自己在职位赢得更多任务比原来的位置如果发现有利于整个系统。因此,分层拍卖增加的可能性比集中式拍卖改善系统性能。

为了评估提出了任务分配算法的可扩展性,是室外场景。这个场景的一个示例是一个战场,需要知道敌人在哪里。为了解决这个问题,移动传感器团队将战场划分为各个领域。选择一组监测点移动的传感器可以查看每个区域的内部。为了简化这个场景中,一个室外场景的一个示例是使用六种不同的运行情况如表所示1每一次的50分。这些运行考虑不同大小的区域,不同的地点,不同的初始位置为移动传感器的团队。在这种情况下,移动传感器被允许从一个有利位置移动到另一个进入感兴趣的领域。

拟议中的固定和动态树分配算法相比,更高层次allocate-then-decompose [13],allocate-then-decompose [16],decompose-then-allocate [13)算法。的平均成本,导致数据9和10表明,固定和动态树分配(集中和分层)始终优于其他算法,特别是对复杂的情况下如例4,5、6。它还可以看到动态树分配优于固定树分配,这是预期的重新规划能力添加到传感器的动态树分配。

4.2。目标跟踪仿真和结果

正如上面提到的,个体目标的目标跟踪算法是解耦合作跟踪算法的多声道系统。所以,单目标跟踪系统的仿真结果,为基础的合作目标系统,首先介绍了。目标跟踪算法设计取决于目标,传感器,和环境。两种类型的追踪器的仿真结果presented-supervised和无监督扩展Kohonen地图。跟踪性能是根据跟踪精度和收敛速度。同时,合作多目标跟踪系统的仿真结果。

4.2.1。准备使用监督学习11月跟踪

当跟踪使用监督学习11月,11月培训发展模式,即从电动机的空间转换命令的空间视觉感知。现在经过训练的网络中使用落后的模式计算逆函数,,将视觉感知转换成一个电动机命令。任务是指导目标位置的移动传感器放置在任意角度和距离在工作区中。所提供的数据的角度和距离激光测距传感器与追踪。更具体地说,现在定义为传感器的运动方向之间的角度和向量连接传感器轴中点和目标,在吗之间的欧几里得距离传感器轴中点和目标位置。观察到的和值是11月的落后模式提供检索速度。对于这个应用程序,竞争模式设计考虑组件的顺序。首先,是加工过的。因此,竞争是局限于神经元的权向量组件,该商店的角度信息。这个初步步骤的结果,网格匹配神经元的一个子集同样被选中。第二,处理,但只有在神经元上一步选择。竞争是局限于神经元的权向量组件存储的距离信息。整个比赛过程导致的选择一双速度移动传感器,即扇入获胜神经元的权向量。模拟的介绍下,神经元的结构被用于扩展Kohonen地图。

图11使用监督学习11显示追踪一个移动的目标。小圆和方最初的目标和位置跟踪器,分别。的指示箭头显示运动的方向、目标和跟踪。从目标的轨迹跟踪,监督学习11月没有提供一个良好的跟踪性能的精度和跟踪速度。

4.3。出企业知识管理跟踪使用无监督学习

在这种情况下,使用相同的结构扩展Kohonen地图,但不知道正确的参数(即。扇入和扇出重量)。随机参数可以认为最初,将改变在无监督学习。选择初始参数是非常具有挑战性的,因为它会影响收敛速度和跟踪算法的准确性。本文的参数扩展Kohonen地图最初选择的监督学习阶段(上面提到的)。之后,一个单一的目标跟踪算法来调整这些参数,而移动传感器正试图追踪目标(在线培训)。在每一个训练周期,获胜神经元的权重及其邻国更接近感官数据修改(角度和距离跟踪器)。的输入权值扩展Kohonen地图更新的实际位移跟踪器和输出权重也更新。因此,将会有一个地图之间的实际位移跟踪器和电动机的命令。扩展Kohonen自组织映射聚合后,神经元会稳定状态,这样输入权重代表位移旅行的跟踪和输出权重代表相应的运动命令,产生这些位移。对于任何获胜神经元,因为感觉输入,神经元会产生运动的命令产量所需的位移。对感觉输入但接近,电动机的命令产生的输出神经元仍将产生相应的位移。因此,扩展Kohonen地图中的更多的神经元结构、细和平滑的运动跟踪。

图12显示出企业知识管理追踪一个移动的目标使用无监督学习。无监督11的输入-输出权值初始化使用的最终权重(学习)后出企业知识管理监督。小圆和方最初的目标和位置跟踪器,分别。指示箭头显示的方向运动的目标跟踪。从目标的轨迹跟踪,出企业知识管理无监督学习提供了一个良好的跟踪性能的精度和跟踪速度与监督学习性能如图1111。

4.4。合作目标跟踪仿真

提出的多目标跟踪算法分析了各种配置。环境设计是一个6 m×9 m的矩形。传感器最初部署环境中基于任务分配算法,分配一组移动传感器的一组有利位置如上所述。传感器感应范围是1.5米。合作多目标算法性能是判断两个参数:平均覆盖率(7)随着时间的推移,平均节能(11)。

节能可以通过考虑数量的测量忙和睡觉随着时间的推移追踪器。为了做到这一点,三种不同的情况进行了分析。在第一种情况下,移动传感器的数量等于目标的数量,在第二和第三种情况下,传感器的数量是3/4和1/2的数量目标,分别。在每种情况下,做了大量的模拟已经通过改变的位置追踪器和目标,目标和追踪器的速度,目标和方向的追踪器,集群的数量。平均覆盖率和平均节能已经记录了大约25试验在每种情况下。平均覆盖率和所有的情况下的平均节能数据所示13和14,分别。每个点显示的平均覆盖率或获得的平均节能25模拟运行。

如数据所示13和14,平均覆盖率和平均节能百分比随时间减少。这是预期的,因为集群目标将传播环境随着时间的推移,这将需要更多的跟踪器跟踪他们,减少能源储蓄。同时,平均覆盖率将减少特别是当目标的数量超过追踪器的数量(和)。

建议的方法的性能评估通过比较它与四个不同的方法有不同的观察政策:(1)本地方法(34),(2)A-CMOMMT方法(34),(3)B-CMOMMT方法(39),(4)修改B-CMOMMT [20.]。控制跟踪运动的本地方法的总和计算引力来自附近的目标和排斥的力量来自附近的追踪器。A-CMOMMT方法研究了确定权重向量的力的有效性来自附近的目标。添加力向量的权重A-CMOMMT使追踪者的吸引力已经观察到其他追踪的目标。B-CMOMMT方法基本上是提出克服A-CMOMMT中的一些可能出现的问题的方法。可以找到更详细的讨论这些情况(20.,39]。最重要区别A-CMOMMT B-CMOMMT是力向量来自附近的追踪器加权。B-CMOMMT方法是通过引入更多的精炼技术的提高为目标的损失预测(20.]。对比结果如图15。

图15总结了这种比较有不同的结果比率(每点平均25模拟运行)。这些结果显示几乎相当于我们的算法的性能和改进B-CMOMMT方法小比率,而且性能优越的目标跟踪方法更大比率。虽然,我们没有证明仿真结果将更大比率,预计结果类似于我们所做的将会继续为大比率。

更有趣的是该方法的详细比较性能的改善B-CMOMMT当等于1。如图16,该算法提供了一个良好的覆盖性能相比B-CMOMMT算法。

5。结论

移动监测系统提出了以市场为基础的框架。拟议的框架利用市场经济的长处,使移动传感代理商共同执行复杂任务有效和可靠。任务分配和合作目标跟踪研究了使用该框架移动监测系统作为两个具有挑战性的问题。这些挑战是解决个人和团体。进行实验的结果表明,分层树的动态任务分配优于所有其他技术。此外,良好的覆盖性能和节能已经取得了在目标探测和跟踪。在未来,我们考虑延长该算法,约束和紧密的任务可以处理。约束的任务的一个例子是两个任务,无法独立完成相同的传感器显然要做的。紧任务不能进一步分解为单一传感器的任务。在这种情况下,子群的移动传感器可以决定他们的联合成本并提交共同投标等类型的任务。

引用

1. f·m·d .最爱s Canu l . Iocchi d . Nardi诉答:Ziparo,“多目标多机器人监视”诉讼的第四届国际会议上自主机器人和代理(ICARA ' 09),页68 - 73,惠灵顿,新西兰,2009年2月。视图:出版商的网站|谷歌学术搜索
2. g . l . Foresti c . s . Regazzoni, p . k . Varshney多传感器监测系统:融合的视角,Kluwer学术出版社,2003年。
3. j·c·卡斯蒂略f·a·卡诺j . s . Cuerda和a . f .绅士”多重智能监控系统集成架构的分割、跟踪和活动分析”13 ICEIS学报》国际会议,第162 - 157页,2011年。视图:谷歌学术搜索
4. a . Elmogy f . Karray,哈米斯,“Auctionbased共识合作机制在多传感器跟踪监测系统”第四国际会议论文集人形、纳米技术、信息技术、通信控制、环境和管理(HNICEM ' 09),页149 - 158,马尼拉,菲律宾,2009年3月。视图:谷歌学术搜索
5. h . f . Durrant-Whyte“传感器模型和多传感器集成,”国际机器人研究杂志》上,7卷,不。6,97 - 113年,1988页。视图:谷歌学术搜索
6. b . p . Gerkey和m·j·马塔里奇”出售!:拍卖方法multirobot协调。”IEEE机器人和自动化,18卷,不。5,758 - 768年,2002页。视图:谷歌学术搜索
7. m·b·迪亚斯和A . Stentz”市场的多机器人协调方法,”科技,众议员CMURI-TR-01-26卡内基梅隆大学,匹兹堡,宾夕法尼亚州,美国,2002年。视图:谷歌学术搜索
8. a . m . Elmogy以市场为基础的框架移动监测系统(博士。论文)滑铁卢大学,滑铁卢,加拿大,2010。
9. d . Makris和t·埃利斯在“学习场景语义模型从视觉监测,观察活动”IEEE系统,人,和控制论,B部分,35卷,不。3、397 - 408年,2005页。视图:出版商的网站|谷歌学术搜索
10. 美国x Wang Wang, d . Bi,“无线传感器网络分布式visual-target-surveillance系统”,IEEE系统,人,和控制论,B部分,39卷,不。5,1134 - 1146年,2009页。视图:出版商的网站|谷歌学术搜索
11. h . Sayyaadi和m . Moarref分布式比例任务分配算法在移动代理网络,”IEEE自动控制卷,56号2、405 - 410年,2011页。视图:出版商的网站|谷歌学术搜索
12. r·r·墨菲”救援机器人、人机交互”IEEE系统,人与控制论部分C,34卷,不。2、138 - 153年,2004页。视图:出版商的网站|谷歌学术搜索
13. r . Zlot和a . Stentz”市场化multirobot协调复杂的任务,”国际机器人研究杂志》上,25卷,不。1,第101 - 73页,2006。视图:出版商的网站|谷歌学术搜索
14. a . m . Elmogy a . m .哈米斯和f . o . Karray”在多传感器监测系统动态复杂的任务分配,”学报》第三届国际会议上信号,电路与系统(SCS 09年)2009年11月,突尼斯的杰尔巴,。视图:出版商的网站|谷歌学术搜索
15. g . Isbitiren和o·b·阿坎人”与声学传感器网络三维水下目标跟踪”,IEEE车辆技术,60卷,不。8,3897 - 3906年,2011页。视图:谷歌学术搜索
16. n .卡尔拉·d·弗格森,a . Stentz”排成齐胸:一个以市场为基础的框架计划紧密协调multirobot团队”诉讼的IEEE机器人与自动化国际会议上2005年4月,页1170 - 1177。视图:出版商的网站|谷歌学术搜索
17. x f·谢和j·刘,“可替换主体优化系统求解旅行商问题(TSP),“IEEE系统,人,和控制论,B部分,39卷,不。2、489 - 502年,2009页。视图:出版商的网站|谷歌学术搜索
18. h . k .蔡j·m·杨y . f .蔡c . y . Kao,“进化算法对大型旅行推销员问题。”IEEE系统,人,和控制论,B部分,34卷,不。4、1718 - 1729年,2004页。视图:出版商的网站|谷歌学术搜索
19. c . Wurll d·亨利克先生和h .穿“工业机器人多目标路径规划,”程序的机器人和应用程序(RA 99年国际会议上)美国加州圣芭芭拉,1999年。视图:谷歌学术搜索
20. a .柯灵和s Carpin”合作的观察多个移动目标:一个算法及其形式化,”国际机器人研究杂志》上,26卷,不。9日,第953 - 935页,2007年。视图:出版商的网站|谷歌学术搜索
21. Martinez-Jaramillo和e . p . k .曾荫权,”一个异类,内源性和共同进化GP-based金融市场,“IEEE进化计算,13卷,不。1,33-55,2009页。视图:出版商的网站|谷歌学术搜索
22. r . m . Zlot一个基于拍卖的方法复杂的任务分配multirobot团队[博士。论文)美国宾夕法尼亚州,匹兹堡,2006。
23. m·b·迪亚斯TraderBots:健壮和高效的新范式在动态环境中多机器人协调[博士。论文)2004年,卡内基梅隆大学机器人研究所。
24. 美国Koenig x郑,c . Tovey“改善顺序1拍卖,”《IEEE / RSJ智能机器人和系统国际会议(——06年),第2244 - 2238页,北京,中国,2006年10月。视图:出版商的网站|谷歌学术搜索
25. 黄m . Berhault h . p . Keskinocak et al .,“机器人探索与组合拍卖”《IEEE / RSJ智能机器人和系统国际会议2003年10月,页1957 - 1962。视图:谷歌学术搜索
26. b . p . Gerkey和m·j·马塔里奇”出售!多机器人控制:拍卖方法。”IEEE机器人和自动化,18卷,不。5,758 - 768年,2002页。视图:谷歌学术搜索
27. s . c . Botelho和r . Alami“M +:多机器人合作的方案通过谈判任务分配和成就,”诉讼的IEEE机器人与自动化国际会议的举行(“国际机器人与自动化会议”99)1999年5月,页1234 - 1239。视图:谷歌学术搜索
28. f . Tang和萨哈,“随时赢家决心time-extended算法多机器人任务分配,”学报》国际会议自动化、机器人技术、控制系统,第130 - 123页,2008年。视图:谷歌学术搜索
29. a·m·h·罗特科普夫Pekeč,r·m·哈尔斯塔”计算可控组合拍卖。”管理科学,44卷,不。8,1131 - 1147年,1998页。视图:谷歌学术搜索
30. j . Sparbert k Dietmayer, d . Streller”Objecttracking multi-hypothesis方法在交通场景使用激光测距图像”IEEE 4日学报》国际会议上智能交通系统,2001年。视图:谷歌学术搜索
31. h .赵j .崔h .咋k . Katabira x邵,和r . Shibasaki”使用激光扫描仪的网络监控一个十字路口,”学报》第11届国际智能交通系统(ITSC IEEE会议' 08),第433 - 428页,北京,中国,2008年12月。视图:出版商的网站|谷歌学术搜索
32. h .赵和r . Shibasaki小说系统跟踪行人使用多个单列激光测距扫描仪,”IEEE系统,人,控制论的一部分,35卷,不。2、283 - 291年,2005页。视图:出版商的网站|谷歌学术搜索
33. b·克鲁格,c·科勒和e . Prassler“快速、健壮的多运动目标跟踪与激光测距仪”诉讼的IEEE机器人与自动化国际会议上' 01)举行(“国际机器人与自动化会议”2001年5月,页1683 - 1688。视图:谷歌学术搜索
34. l·e·帕克“分布式算法中多个移动目标的多机器人观测,”自主机器人,12卷,不。3、231 - 255年,2002页。视图:出版商的网站|谷歌学术搜索
35. j·b·MacQueen“一些分类方法和多变量分析观察,”第五伯克利学报》研讨会上数理统计和概率,页281 - 297年,加州大学出版社,1967年伯克利,加州,美国。视图:谷歌学术搜索
36. t . Kanungo d·m·山:美国内塔尼亚胡,c, d . Piatko r·西尔弗曼和a . y .吴“k -均值聚类算法:一种有效的分析和实现,”IEEE模式分析与机器智能,24卷,不。7,881 - 892年,2002页。视图:出版商的网站|谷歌学术搜索
37. h·里特、t . Martinetz和k•舒尔腾神经计算和自组织映射:介绍,addison - wesley朗文,波士顿,质量,美国第1版,1992年版。
38. t . Kohonen自组织和联想记忆德国海德堡,信息科学,第3版,1989年版。
39. a .柯灵,s . Carpin Multirobot合作监视多个运动目标的新的行为方法,”诉讼的IEEE机器人与自动化国际会议上06年举行(“国际机器人与自动化会议”)2006年5月,页1311 - 1316。视图:出版商的网站|谷歌学术搜索

版权

版权©2012艾哈迈德·m·Elmogy et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。