Negli ultimi anni, i numerosi progressi nel campo dei sistemi embedded ad alte prestazioni, l’ottimizzazione delle tecniche di elaborazione dei segnali, e la maggiore affidabilità nei sistemi di comunicazione, hanno portato allo sviluppo di tecnologie di sensoristica pervasiva. Tramite l’acquisizione di dati spazialmente distribuiti e ricchi di informazioni, la sensoristica pervasiva è diventata fondamentale in diverse applicazioni. In ambito industriale viene utilizzata per prevedere guasti, ridurre i rallentamenti e migliorare la sicurezza dei lavoratori e l’efficienza energetica; negli scenari urbani la sensoristica pervasiva individua potenziali minacce alla sicurezza, mentre in ambienti critici con- sente il monitoraggio continuo in luoghi precedentemente inaccessibili. Nella robotica l’aggregazione di informazioni provenienti da più fonti spazialmente distribuite, consente ai robot di apprendere più velocemente e di pianificare strategie di movimento più robuste e più adattive, anche all’interno di ambienti variabili e poco noti. Recentemente, la ricerca nel settore del machine learning e dei controlli automatici ha favorito lo sviluppo di una nuova generazione di sistemi di sensoristica intelligenti, in cui i sensori, oltre ad essere connessi tra di loro, diventano autonomi. Essi possono infatti prendere decisioni sul processo di raccolta dati, nel rispetto delle risorse a disposizione. Per questo motivo, le tecnologie di sensoristica intelligente rappresentano oggi una nuova frontiera per i sistemi di acquisizione dati in numerose applicazioni tra cui l’agricoltura, la videosorveglianza, il monitoraggio in ambienti critici, e nel campo manifatturiero. Questa Tesi è dedicata alle tecniche di sensoristica attiva probabilistica e multi-sensoriale. La percezione attiva si occupa di generare strategie di controllo e di ottimizzazione nei confronti del processo di raccolta dati e sulla base delle risorse a disposizione; per questo motivo, essa è fondamentale nel processo decisionale dei sistemi di sensoristica intelligente. Allo stesso tempo, gli approcci probabilistici possono operare in presenza di sensori rumorosi e ambienti sconosciuti, mentre le soluzioni multi-sensore introducono maggiore precisione, reattività e robustezza in fase di pianificazione ed apprendimento. Inoltre, le architetture multi-sensore consentono di catturare proprietà ambientali che le controparti a sensore singolo non riescono a cogliere. Il contributo principale di questa Tesi risiede nello sviluppo di un framework matematico per la percezione attiva probabilistica e multi-sensore; lo schema proposto è modulare e applicabile in diversi ambiti legati alla sensoristica attiva. La formulazione viene dapprima proposta nel contesto della stima di posizione attiva, e viene poi convalidata in quattro applicazioni distinte: localizzazione attiva, tracciamento attivo, videosorveglianza con vincoli di energia, e veicoli connessi. Al fine di valutare gli approcci proposti, sono stati condotti ampi studi sia numerici che sperimentali; in particolare, le performance sono state confrontate con delle baseline di riferimento. I risultati principali mostrano che la percezione attiva, quando viene integrata con sistemi di inferenza Bayesiana e con tecniche di sensor fusion, consente di progettare metodi di apprendimento auto-supervisionato, di modellare le incertezze tipiche dei sistemi di percezione reali, e di introdurre maggiore rapidità, accuratezza e robustezza nei processi di stima.
Probabilistic Active Sensing in Multi-Sensor Applications
Luca Varotto
In corso di stampa
Abstract
Negli ultimi anni, i numerosi progressi nel campo dei sistemi embedded ad alte prestazioni, l’ottimizzazione delle tecniche di elaborazione dei segnali, e la maggiore affidabilità nei sistemi di comunicazione, hanno portato allo sviluppo di tecnologie di sensoristica pervasiva. Tramite l’acquisizione di dati spazialmente distribuiti e ricchi di informazioni, la sensoristica pervasiva è diventata fondamentale in diverse applicazioni. In ambito industriale viene utilizzata per prevedere guasti, ridurre i rallentamenti e migliorare la sicurezza dei lavoratori e l’efficienza energetica; negli scenari urbani la sensoristica pervasiva individua potenziali minacce alla sicurezza, mentre in ambienti critici con- sente il monitoraggio continuo in luoghi precedentemente inaccessibili. Nella robotica l’aggregazione di informazioni provenienti da più fonti spazialmente distribuite, consente ai robot di apprendere più velocemente e di pianificare strategie di movimento più robuste e più adattive, anche all’interno di ambienti variabili e poco noti. Recentemente, la ricerca nel settore del machine learning e dei controlli automatici ha favorito lo sviluppo di una nuova generazione di sistemi di sensoristica intelligenti, in cui i sensori, oltre ad essere connessi tra di loro, diventano autonomi. Essi possono infatti prendere decisioni sul processo di raccolta dati, nel rispetto delle risorse a disposizione. Per questo motivo, le tecnologie di sensoristica intelligente rappresentano oggi una nuova frontiera per i sistemi di acquisizione dati in numerose applicazioni tra cui l’agricoltura, la videosorveglianza, il monitoraggio in ambienti critici, e nel campo manifatturiero. Questa Tesi è dedicata alle tecniche di sensoristica attiva probabilistica e multi-sensoriale. La percezione attiva si occupa di generare strategie di controllo e di ottimizzazione nei confronti del processo di raccolta dati e sulla base delle risorse a disposizione; per questo motivo, essa è fondamentale nel processo decisionale dei sistemi di sensoristica intelligente. Allo stesso tempo, gli approcci probabilistici possono operare in presenza di sensori rumorosi e ambienti sconosciuti, mentre le soluzioni multi-sensore introducono maggiore precisione, reattività e robustezza in fase di pianificazione ed apprendimento. Inoltre, le architetture multi-sensore consentono di catturare proprietà ambientali che le controparti a sensore singolo non riescono a cogliere. Il contributo principale di questa Tesi risiede nello sviluppo di un framework matematico per la percezione attiva probabilistica e multi-sensore; lo schema proposto è modulare e applicabile in diversi ambiti legati alla sensoristica attiva. La formulazione viene dapprima proposta nel contesto della stima di posizione attiva, e viene poi convalidata in quattro applicazioni distinte: localizzazione attiva, tracciamento attivo, videosorveglianza con vincoli di energia, e veicoli connessi. Al fine di valutare gli approcci proposti, sono stati condotti ampi studi sia numerici che sperimentali; in particolare, le performance sono state confrontate con delle baseline di riferimento. I risultati principali mostrano che la percezione attiva, quando viene integrata con sistemi di inferenza Bayesiana e con tecniche di sensor fusion, consente di progettare metodi di apprendimento auto-supervisionato, di modellare le incertezze tipiche dei sistemi di percezione reali, e di introdurre maggiore rapidità, accuratezza e robustezza nei processi di stima.Pubblicazioni consigliate
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.