Estimador no lineal para redes de sensores

Abstract

En redes de sensores el bajo consumo es una prioridad, y la búsqueda del consumo reducido impone restricciones muy fuertes en todos los bloques del nodo: sensor, procesador y unidad de comunicación. Debido a esto, el procesador no cuenta con grandes capacidades de cómputo ni de almace-namiento de datos. La localización y seguimiento de fuentes u objetos son las aplicaciones principales en redes de sensores. La limitación fundamental en la actualidad es la falta de un algoritmo de estimación que resuelva estos problemas de for-ma completa y descentralizada. Esta tesis presenta una solu-ción a este tema basada en un Filtro de Partículas. En gene-ral, los filtros de partículas no pueden implementarse directa-mente en una red de sensores por sus exigencias en términos de comunicación, memoria y procesamiento. La solución pro-puesta, el Filtro de Partículas Acotado, resuelve en forma completa todos los temas mencionados. Este filtro cumple con los requerimientos impuestos por las redes de sensores, y permite realizar la estimación utilizando medidas ruidosas de varios sensores no muy precisos, explotando la fusión de la información de varios nodos para obtener un estimado, aún cuando los modelos de los sensores presentan múltiples hipó-tesis de medida. Un elemento esencial de una red de sensores es su capacidad de cobertura espacial y capacidad de comuni-cación. Ambos factores están limitados por el consumo de potencia disponible. El Filtro de Partículas Acotado es capaz de capturar la esencia de la estimación reduciendo al mínimo la información (número de parámetros) a transmitir ó recibir, gracias al almacenamiento de variables locales. Esto es funda-mental para producir una solución al problema de localización y seguimiento, bajo restricciones reales de consumo.

Low power consumption is a priority in sensor networks, be-cause it imposes strong constrains in all node parts: sensor, processor and communication unit. Due to this, the processor has low computational and data storage capabilities.Sources and/or objects localization and tracking are the primary applications in sensor networks. A fundamental limitation nowadays is the lack of an estimation algorithm able to solve the estimation problem in a comprehensive and decentralized way. This thesis presents a solution to this issue, based on a Particle Filter. In general, particle filters cannot be implemen-ted in Sensor networks due to the requirements in terms of communication, memory and processing. The proposed solu-tion is the Bounded Particle Filter algorithm, which solves all mentioned issues in a complete way. This filter fulfills sensor networks requirements, and allows the estimation using noisy measurements, exploiting the fusion of many nodes informa-tion to produce an estimate, even with multiple hypothesis sensor models. An essential element of a sensor network is its spatial coverage and communication capacity. Both factors are limited by the available power consumption. The proposed Bounded Particle Filter can capture the essence of the esti-mation minimizing the information to transmit (number of parameters) or receive, thanks to the local storage of varia-bles. This is essential for producing a solution to the problem of tracking and localization, under realistic power constraints.