Gestion de capteurs basée sur la théorie de l'information des réseaux

Network Information-Theoretic Sensor Management

• Auteur / Autrice : Idyano Leroy
• Direction : Yohan Petetin
• Type : Projet de thèse
• Discipline(s) : Information, communications, électronique
• Date : Inscription en doctorat le 02/01/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : SAMOVAR - Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
• Partenaire(s) de recherche : Equipe de recherche : TIPIC

Mots clés

Mots clés libres

Gestion de capteurs

Fusion d'information

Processus stochastiques

Sensor network management

Information fusion

Stochastic processes

Résumé

L'objectif est de développer les méthodes et les algorithmes nécessaires pour gérer et fusionner des capteurs distribués autonomes dans des environnements difficiles. Le projet permettra de réaliser des avancées majeures en matière de détection intelligente afin de permettre une surveillance continue et adaptative dans des environnements dynamiques. Avec l'avènement de l'Internet des objets et d'autres réseaux de capteurs étendus, les algorithmes qui gèrent judicieusement les ressources de communication, de détection et d'énergie de ces réseaux sont essentiels pour une inférence efficace sous diverses contraintes de limitation et/ou de disponibilité des ressources. Le projet impliquera la proposition de métriques pour quantifier l'information perçue par différents capteurs sur de multiples processus stochastiques. Par la suite, ces métriques guideront le développement d'algorithmes permettant d'estimer séquentiellement l'état de ces processus, de fusionner les informations provenant de capteurs hétérogènes et d'allouer les ressources selon des critères de théorie de l'information. Ces algorithmes seront appliqués à la poursuite de cibles multiples à l'aide de réseaux de capteurs. S'appuyant sur les développements récents en matière de poursuite de cibles multiples et de fusion de capteurs distribués, ce programme de travail développera des méthodes basées sur la théorie des processus ponctuels, qui est conçue pour prendre en compte l'incertitude des états des cibles individuelles et du nombre de cibles. Des mesures théoriques de l'information adaptées aux processus ponctuels seront proposées, ainsi que des méthodes d'optimisation qui utilisent ces mesures pour allouer les ressources des capteurs et affiner la connaissance de la scène.

The scope is to develop the underpinning methods and algorithms required for autonomous distributed sensor management and fusion in challenging environments.The project will deliver key advances in intelligent sensing to enable continuous and adaptive surveillance in dynamic environments. Due to the advent of the Internet-of-Things and other extensive sensor networks, algorithms that judiciously manage the communication, sensing, and energy resources of such networks are crucial for efficient inference under various limitation and/or availability constraints for these resources. The project will involve the proposal of metrics for quantifying the information perceived by different sensors on multiple stochastic processes. Subsequently, these metrics will guide the development of algorithms for sequentially estimating the state of these processes, fuse information from heterogeneous sensors, and allocate resources based on information-theoretic criteria. These resulting algorithms will be applied to multiple target tracking with sensor networks. Building on recent developments by the investigators in multi-target tracking and distributed sensor fusion, this work program will develop methods based on point process theory, which is designed to accommodate uncertainty in the states of individual targets and the number of targets. Information-theoretic metrics tailored for point processes will be proposed as well as optimization methods that employ these metrics in order to allocate sensor resources and refine the knowledge of the scene.