TÓM TẮT ĐỒ ÁN

TÓM TẮT ĐỒ ÁN

PH N 1: GI I THI UẦ Ớ Ệ

1. V n đ nghiên c uấ ề ứ

Đ án này nghiên c u v v n đ : Giám sát đa m c tiêu dùng m ng c m bi n không dây.ồ ứ ề ấ ề ụ ạ ả ế

(Multi-target tracking uses WSN). Đây là bài toán thu hút nhi u s quan tâm và nghiên c uề ự ứ

trong nh ng năm g n đây. Phát hi n, phân lo i và theo dõi đ i t ng chuy n đ ng là quáữ ầ ệ ạ ố ượ ể ộ

trình c b n trong quá trình x lý hình nh. Các quá trình có quan h m t thi t v i nhau,ơ ả ử ả ệ ấ ế ớ

quy t đ nh hi u qu , tính chính xác c a h th ng giám sát đa m c tiêu. ế ị ệ ả ủ ệ ố ụ

Bài toán theo dõi đ i t ng s d ng m ng c m bi n không dây là quá trình gi i quy t baố ượ ử ụ ạ ả ế ả ế

bài toán: Phát hi n, phân lo i và theo dõi s chuy n đ ng c a đ i t ng. Trong đ án nàyệ ạ ự ể ộ ủ ố ượ ồ

chúng em đã đ xu t h ng gi i quy t các bài toán b ng các ph ng pháp, thu t toán khácề ấ ướ ả ế ằ ươ ậ

nhau, t đó đ a ra đánh giá c a t ng bài toán c th . T đó ti n hành th c nghi m đ đ aừ ư ủ ừ ụ ể ừ ế ự ệ ể ư

ra đánh giá khách quan nh t cho các kh i x lý nh trong m t h th ng giám sát s d ngấ ố ử ả ộ ệ ố ử ụ

m ng c m bi n không dây.ạ ả ế

2. H ng nghiên c u c a b n thânướ ứ ủ ả

- Nghiên c u t ng quan m ng c m bi n không dây và ng d ng c a nó vào bài toánứ ổ ạ ả ế ứ ụ ủ

giám sát.

- Nghiên c u h th ng giám sát và các ph ng pháp toán h c dùng đ phát hi n, phânứ ệ ố ươ ọ ể ệ

đo n, theo dõi đ i t ng.ạ ố ượ

- Đi sâu tìm hi u b l c h t Particle , n n t ng toán h c c a b l c.ể ộ ọ ạ ề ả ọ ủ ộ ọ

- Nghiên c u thu t toán c i ti n gi a b l c h t Particle và b l c xác su t d li u liênứ ậ ả ế ữ ộ ọ ạ ộ ọ ấ ữ ệ

h p Joint Probabilistic Data Association_ thu t toán PF-JPDAF.ợ ậ

1


PH N 2: C S LÝ THUY TẦ Ơ Ở Ế

Ch ng 1: T ng quan m ng c m bi n không dâyươ ổ ạ ả ế

Ch ng này trình bày v các khái ni m chung trong m ng c m bi n không dây, cácươ ề ệ ạ ả ế

đ c đi m v c u trúc, ch c năng và ng d ng c a m ng trong vi c giám sát đa m c tiêu.ặ ể ề ấ ứ ứ ụ ủ ạ ệ ụ

M ng c m bi n không dây g m các nút m ng là các vi đi u khi n sau khi đã đ c càiạ ả ế ồ ạ ề ể ượ

đ t ph n m m nhúng k t h p v i các b phát sóng vô tuy n cùng v i các c m bi n và nó cóặ ầ ề ế ợ ớ ộ ế ớ ả ế

kh năng thu nh n và x lý d li u nút m ng và môi tr ng xung quanh nút m ngả ậ ử ữ ệ ở ạ ườ ạ .

Trình bày v c u trúc m ng c m bi n : c u trúc nút m ng, c u trúc toàn m ng, đ cề ấ ạ ả ế ấ ạ ấ ạ ặ

đi m c u trúc m ng c m bi n.ể ấ ạ ả ế

Ch ng 2: Bài toán giám sát đ i t ngươ ố ượ

Giám sát đ i t ng trong th i gian th c (real-time object tracking) là m t công đo nố ượ ờ ự ộ ạ

quan tr ng trong r t nhi u ng d ng. Nh ng h th ng lo i này có th k ra nh h th ngọ ấ ề ứ ụ ữ ệ ố ạ ể ể ư ệ ố

quan sát – theo dõi đ i t ng, h th ng giao di n ng i dùng d a vào c m nh n PCIố ượ ệ ố ệ ườ ự ả ậ

(perceptual user interface), nh ng căn phòng thông minh, h th ng nén video d a vào đ iữ ệ ố ự ố

t ng (object-based video compression) và nh ng h th ng thông minh h tr tài x lái xeượ ữ ệ ố ỗ ợ ế

t đ ng.ự ộ

M t trong nh ng m c tiêu quan tr ng nh t c a giám sát đ i t ng là đ hi u đ cộ ữ ụ ọ ấ ủ ố ượ ể ể ượ

nh ng chuy n đ ng c a đ i t ng. Hi u nh ng thông tin v đ i t ng nh v trí trongữ ể ộ ủ ố ượ ể ữ ề ố ượ ư ị

không gian, v n t c chuy n đ ng và nh ng đ c tr ng v t lý khác, m t h th ng thông minhậ ố ể ộ ữ ặ ư ậ ộ ệ ố

có th th c hi n các b c x lý khác c p cao h n nh nh n d ng đ i t ng, nh n d ngể ự ệ ướ ử ở ấ ơ ư ậ ạ ố ượ ậ ạ

chuy n đ ng, lý lu n (reasoning) và tính toán trên nh ng đ c tr ng v t lý này. T đó hi uể ộ ậ ữ ặ ư ậ ừ ể

đ c hành vi c a đ i t ng.ượ ủ ố ượ

M c khó khăn c a v n đ ph thu c nhi u vào đ i t ng đ c phát hi n và theo dõiứ ủ ấ ề ụ ộ ề ố ượ ượ ệ

nh th nào. N u nh ch có m t vài đ c tr ng th giác, ch ng h n nh màu s c…đ c dùngư ế ế ư ỉ ộ ặ ư ị ẳ ạ ư ắ ượ

đ bi u di n đ i t ng, thì khá d dàng đ xác đ nh t t c các pixel cùng màu v i đ i t ng.ể ể ễ ố ượ ễ ể ị ấ ả ớ ố ượ

Nh ng th c t l i hoàn toàn khác, ví d nh khuôn m t c a m t ng i c th sẽ có đ y đư ự ế ạ ụ ư ặ ủ ộ ườ ụ ể ầ ủ

các chi ti t tri giác và thông tin nhi u ch ng h n nh các t th và s chi u sáng khác nhau,ế ễ ẳ ạ ư ư ế ự ế

r t khó đ mà phát hi n, nh n di n và theo dõi. H u h t các khó khăn này n y sinh t khấ ể ệ ậ ệ ầ ế ả ừ ả

năng bi n đ ng c a nh video b i vì các đ i t ng video th ng là các đ i t ng chuy nế ộ ủ ả ở ố ượ ườ ố ượ ể

đ ng. Khi m t đ i t ng chuy n đ ng qua vùng quan sát c a camera, hình nh v đ i t ngộ ộ ố ượ ể ộ ủ ả ề ố ượ

có th thay đ i r t nhi u. S thay đ i này đ n t 3 ngu n chính: s thay đ i t th đ iể ổ ấ ề ự ổ ế ừ ồ ự ổ ư ế ố

2


t ng đích hay s bi n d ng c a đ i t ng đích, s thay đ i v đ chi u sáng, và s cheượ ự ế ạ ủ ố ượ ự ổ ề ộ ế ự

khu t (occlusion) m t ph n hay toàn b đ i t ng đích.ấ ộ ầ ộ ố ượ

Có r t nhi u ph ng pháp gi i quy t bài toán này, ta có th phân lo i thành b n cáchấ ề ươ ả ế ể ạ ố

ti p c n chính: ti p c n d a trên mô hình, ti p c n d a trên mi n, ti p c n d a trên đ ngế ậ ế ậ ự ế ậ ự ề ế ậ ự ườ

vi n và ti p c n d a trên đ c tr ng.ề ế ậ ự ặ ư

M t h th ng theo dõi đ i t ng thông th ng g m 3 ph n: ộ ệ ố ố ượ ườ ồ ầ

Phát hi n đ i t ng (Object ditection)ệ ố ượ

Phân đo nạ đ i t ngố ượ (segmentation)

Theo dõi đ i t ng (Object tracking)ố ượ

Ch ng 3: B l c Particleươ ộ ọ

L c là bài toán c l ng tr ng thái c a h th ng ngay khi m t t p các quan sát v họ ướ ượ ạ ủ ệ ố ộ ậ ề ệ

th ng đó đ c thu nh n và có hi u l c. Các quan sát này có th bao g m các tín hi u thuố ượ ậ ệ ự ể ồ ệ

nh n t : ra-đa, h th ng đ nh v b ng sóng âm, thi t b thu nh n hình nh (video), t k ,ậ ừ ệ ố ị ị ằ ế ị ậ ả ừ ế

gia t c k ,… Bài toán này đóng vai trò c c kỳ quan tr ng trong r t nhi u lĩnh v c khoa h c,ố ế ự ọ ấ ề ự ọ

công ngh và kinh t , tài chính. Đ gi i bài toán này, chúng ta th c hi n mô hình hóa sệ ế ể ả ự ệ ự

bi n đ i c a h th ng và nhi u trong các phép đo. K t qu thu đ c t quá trình nàyế ổ ủ ệ ố ễ ế ả ượ ừ

th ng là các đ i l ng phi tuy n và có phân ph i phi Gauss (ườ ạ ượ ế ố Non-Gaussian).

Hai ph ng pháp t i u đã đ c áp d ng là l c Kalman và l c HMM. Nh ng ph ngươ ố ư ượ ụ ọ ọ ữ ươ

pháp này cho chúng ta m t gi i pháp hoàn ch nh b ng gi i tích. Tuy nhiên, đ áp d ng, hộ ả ỉ ằ ả ể ụ ệ

c n ph i th a mãn nh ng ràng bu c sau:ầ ả ỏ ữ ộ

Đ i v i l c Kalman: H tuy n tính và nhi u Gauss.ố ớ ọ ệ ế ễ

Đ i v i l c HMM: H có t p tr ng thái là xác đ nh và h u h n.ố ớ ọ ệ ậ ạ ị ữ ạ

Đi u này th c s gây ra nhi u tr ng i trong vi c gi i quy t nhi u v n đ trong th cề ự ự ề ở ạ ệ ả ế ề ấ ề ự

t vì nh đã nói trên, các đ đo thu đ c th ng là các đ i l ng phi tuy n và có phânế ư ở ộ ượ ườ ạ ượ ế

ph i phi Gauss.ố

Vào năm 1979, Anderson và Moore đ a ra thu t toán l c Kalman m r ng. Thu t toánư ậ ọ ở ộ ậ

này là m t trong nh ng thu t toán t t nh t đ gi i bài toán phi Gauss và phi tuy n lúc b yộ ữ ậ ố ấ ể ả ế ấ

gi . Thu t toán này ho t đ ng d a trên ý t ng tuy n tính hóa các quan sát thu đ cờ ậ ạ ộ ự ưở ế ượ

b ng cách c l ng các đ i l ng này b ng m t chu i khai tri n Taylor. Tuy nhiên, trongằ ướ ượ ạ ượ ằ ộ ỗ ể

nhi u tr ng h p, chu i c l ng trong EKF mô hình hóa r t kém nh ng hàm phi tuy nề ườ ợ ỗ ướ ượ ấ ữ ế

và phân ph i xác su t c n quan tâm. Và k t qu là thu t toán sẽ không h i t . ố ấ ầ ế ả ậ ộ ụ

Vào năm 1996, Julier và Uhlmann đ xu t m t thu t toán l c d a trên quan đi m r ngề ấ ộ ậ ọ ự ể ằ

đ x p x m t hàm phân ph i xác su t d ng Gauss thì d h n là ph i x p x m t hàm phânể ấ ỉ ộ ố ấ ạ ễ ơ ả ấ ỉ ộ

3


ph i phi tuy n b t kỳ. Thu t toán này đ c đ t tên là Unscented Kalman Filter (ố ế ấ ậ ượ ặ UKF).

Thu t toán này đã đ c ch ng minh là có k t qu t t h n EKF. Tuy nhiên, m t l n n a,ậ ượ ứ ế ả ố ơ ộ ầ ữ

gi i h n c a UKF là nó không th đ c áp d ng trong các bài toán có phân ph i phi Gaussớ ạ ủ ể ượ ụ ố

t ng quát. ổ

Các b l c k trên đ u ho t đ ng d a vào nhi u gi đ nh c a h nh m đ m b o vộ ọ ể ề ạ ộ ự ề ả ị ủ ệ ằ ả ả ề

kh năng gi i quy t bài toán b ng các ph ng trình gi i tích. Tuy nhiên, nh trên đã nói,ả ả ế ằ ươ ả ư

d li u trong th c t có th r t ph c t p, thông th ng bao g m nhi u thành ph n phiữ ệ ự ế ể ấ ứ ạ ườ ồ ề ầ

Gauss, phi tuy n và r t l n. Đi u này làm cho vi c tìm ra m t gi i pháp h p lý b ngế ấ ớ ề ệ ộ ả ợ ằ

ph ng pháp gi i tích là h u nh không th .ươ ả ầ ư ể

Vào kho ng năm 1998, s ra đ i c a thu t toán CONDENSATION và m t lo t các thu tả ự ờ ủ ậ ộ ạ ậ

toán l c t ng quát d a vào ph ng pháp Tu n T Monte Carlo (ọ ổ ự ươ ầ ự Sequential Monte Carlo –

SMC) v i nhi u tên g i khác nhau nh l c Bootstrap (ớ ề ọ ư ọ Bootstrap Filters), l c Particleọ

(Particle Filters), l c Monte Carlo (ọ Monte Carlo Filters) đ c ra đ i, đã giúp gi i quy t bàiượ ờ ả ế

toán l c t ng quát m t cách tri t đ . Các ph ng pháp này không đòi h i ph i đ t ra b tọ ổ ộ ệ ể ươ ỏ ả ặ ấ

kỳ gi đ nh nào v h . Ngoài ra, chúng còn r t linh đ ng, m m d o, d cài đ t, có khả ị ề ệ ấ ộ ề ẻ ễ ặ ả

năng m r ng đ th c hi n trong môi tr ng tính toán song song và đ c bi t là ho t đ ngở ộ ể ự ệ ườ ặ ệ ạ ộ

r t hi u qu trong tr ng h p bài toán t ng quát. G n đây, các ph ng pháp này đ cấ ệ ả ườ ợ ổ ầ ươ ượ

th ng nh t g i v i tên g i l c Particle.ố ấ ọ ớ ọ ọ

L c Particle hi n đang đ c áp d ng trong r t nhi u lĩnh v c nh mô hình hóa tàiọ ệ ượ ụ ấ ề ự ư

chính, kinh t l ng (ế ượ Econometrics), theo dõi đ i t ng, d n đ ng cho tên l a (ố ượ ẫ ườ ử Missle

Guidance), di chuy n d a vào đ a hình (ể ự ị Terrain Navigation), th giác máy tính, m ngị ạ

neuron, máy h c, robot,... ng d ng c a l c Particle trong th giác máy tính đang đ c r tọ Ứ ụ ủ ọ ị ượ ấ

nhi u ng i quan tâm, đ c bi t là trong lĩnh v c theo v t đ i t ng d a vào thông tin thề ườ ặ ệ ự ế ố ượ ự ị

giác.

Không gi ng nh các ph ng pháp d a vào gi i tích, trong đó m i ph ng pháp luônố ư ươ ự ả ỗ ươ

c g ng tìm ki m m t l i gi i cho các ph ng trình trên thông qua m t ho c nhi uố ắ ế ộ ờ ả ươ ộ ặ ề

ph ng trình khác, các ph ng pháp Monte Carlo d a vào s mô ph ng và x p x các hàmươ ươ ự ự ỏ ấ ỉ

phân ph i và các tích phân trên b ng m t t p các m u d li u đ c sinh ra b i chính cácố ằ ộ ậ ẫ ữ ệ ượ ở

hàm phân ph i trong các tích phân này. Đây là lý do chính giúp cho các thu t toán l c d aố ậ ọ ự

vào ph ng pháp Monte Carlo, c th là l c Particle, có th gi i quy t đ c v n đ phiươ ụ ể ọ ể ả ế ượ ấ ề

tuy n và phi Gauss m t cách tri t đ và r t hi u qu .ế ộ ệ ể ấ ệ ả

N n t ng toán h cề ả ọ

4


Xét m t h (có th là m t h tín hi u; h c h c trong đó có các đ i l ng v trí, v nộ ệ ể ộ ệ ệ ệ ơ ọ ạ ượ ị ậ

t c, gia t c;...) có không gian tr ng thái đ c mô hình hóa b i m t hàm phân ph i phiố ố ạ ượ ở ộ ố

tuy n, phi Gauss, th a 2 gi đ nh c a bài toán l c Bayes đ quy nh sau: ế ỏ ả ị ủ ọ ệ ư

Chu i tr ng thái (xích tr ng thái) c a h th a gi đ nh v h Markov b c I ỗ ạ ạ ủ ệ ỏ ả ị ề ệ ậ

p(x t⎸ x0 :t−1) = p(x t⎸ x t−1) (3.1)

Các giá tr đ đo có đ c t i m t th i đi m b t kỳ ch ph thu c vào tr ng tháiị ộ ượ ạ ộ ờ ể ấ ỉ ụ ộ ạ

c a h t i th i đi m đó ủ ệ ạ ờ ể

p ( z1: t⎸ x1 :t )=∏i=1

t

p ( zt⎸ x t ) (3.2)

Các tr ng thái {ạ xt ; t N },xt X c a h có phân ph i xác su t ban đ u p(ủ ệ ố ấ ầ x0) và xác su tấ

chuy n tr ng thái ể ạ p( xt | xt−1) , {zt ; t N*}, zt Y là các quan sát t ng ng v i các th iươ ứ ớ ờ

đi m. Đ ng th i, ta đ nh nghĩa ể ồ ờ ị x0 :t ≜{x0 ,…, xt } và z1 :t ≜ {z1,…, zt} l n l t là chu iầ ượ ỗ

tr ng thái và chu i quan sát cho đ n th i đi m t.ạ ỗ ế ờ ể

V y h đang xét có th đ c đ c tr ng b i các hàm phân ph i xác su t sau:ậ ệ ể ượ ặ ư ở ố ấ

p(x0)

p( xt | xt−1), t≥1

p( zt | xt), t ≥1

M c tiêu c a bài toán l c là tìm đ c l i gi i cho phân ph i xác su t posterior ụ ủ ọ ượ ờ ả ố ấ p(x0:t |

z1:t), các đ i l ng đ c tr ng c a nó (quan tr ng nh t là phân ph i l ạ ượ ặ ư ủ ọ ấ ố ề p(xt |z1 :t), còn đ cượ

g i là m t đ l c – filtering distribution) và kỳ v ng toán h c:ọ ậ ộ ọ ọ ọ

I(f t) = Ep (x0: t⎸ z1:t )[ f t (x0: t)] ≜ ∫ f t( x0 : t) p (x0: t⎸ z1 :t)dx0 :t

V i ớ f t: Xt+1 Rn là hàm kh tích b t kỳ, t ng ng v i ả ấ ươ ứ ớ p(x0 : t⎸ z1: t). Các ví d v hàmụ ề

này bao g m trung bình có đi u ki n (conditional Mean) ồ ề ệ f t(x0 :t) = x0 :t ho c hi p ph ngặ ệ ươ

sai có đi u ki n (conditional covariance).ề ệ

f t (x t) = x t x tT – Ep (x t⎸ z1 :t) [ x t ]E p( xt⎸ z1:t )

T [ x t ]

T i m t th i đi m b t kỳ, hàm phân ph i xác su t posteriorạ ộ ờ ể ấ ố ấ đ c cho b i quy t cượ ở ắ

Bayes nh sau:ư

5


p¿) =p(z1 :t⎸ x0 : t) p( x0: t)

∫ p ( z1 : t⎸ x0: t ) p (x0 : t )d x0 : t

Và ph ng trình đ quy đ tính phân ph i xác su t đ ng th i ươ ệ ể ố ấ ồ ờ p¿) đ c cho b i: ượ ở

p(x0 : t+ 1⎸ z1 :t+1) = p(x0 : t⎸ z1: t)p(z t+1⎸ xt+1) p( xt+1⎸ x t)

p(zt+1⎸ z1 : t)

Ta cũng có th tính hàm phân ph i l ể ố ề p(xt | z1:t ) b ng các ph ng trình đ quy nh sau:ằ ươ ệ ư

Ph ng trình d đoánươ ự

p(x t⎸Z1 : t−1) = ∫ p( xt⎸ xt−1) p(x t−1⎸Z1 : t−1)dx t−1

Ph ng trình c p nh tươ ậ ậ

p(x t⎸Z1 : t) = p(zt⎸ x t) p (x t⎸Z1 : t−1)

∫ p ( zt⎸ x t ) p (x t⎸Z1: t−1 )d x t Không gi ng nh các ph ng pháp d a vào gi i tích, trong đó m i ph ng pháp luônố ư ươ ự ả ỗ ươ

c g ng tìm ki m m t l i gi i cho các ph ng trình trên thông qua m t ho c nhi uố ắ ế ộ ờ ả ươ ộ ặ ề

ph ng trình khác, các ph ng pháp Monte Carlo d a vào s mô ph ng và x p x các hàmươ ươ ự ự ỏ ấ ỉ

phân ph i và các tích phân trên b ng m t t p các m u d li u đ c sinh ra b i chính cácố ằ ộ ậ ẫ ữ ệ ượ ở

hàm phân ph i trong các tích phân này. Đây là lý do chính giúp cho các thu t toán l c d aố ậ ọ ự

vào ph ng pháp Monte Carlo, c th là l c Particle, có th gi i quy t đ c v n đ phiươ ụ ể ọ ể ả ế ượ ấ ề

tuy n và phi Gauss m t cách tri t đ và r t hi u qu .ế ộ ệ ể ấ ệ ả

6


PH N 3: MÔ HÌNH Đ XU TẦ Ề Ấ

Kỹ thu t c đi n giám sát m c tiêu là kỹ thu t dùng b l c Kalman. Trong nh ng năm g nậ ổ ể ụ ậ ộ ọ ữ ầ

đây, b l c h t Particle đ c s d ng thay th cho l c Kalman nh nh ng u đi m nh ápộ ọ ạ ượ ử ụ ế ọ ờ ữ ư ể ư

d ng đ c cho các h th ng phi tuy n tính và h th ng phi Gauss. Tuy nhiên l c Particle cóụ ượ ệ ố ế ệ ố ọ

nh ng nh c đi m nh :ữ ượ ể ư

- Khi c l ng b t đ u sai thì v sau h th ng không theo v t đ c n a.ướ ượ ắ ầ ề ệ ố ế ượ ữ

- T c đ , k t qu c l ng ph thu c xác đ nh nh m u ban đ u.ố ộ ế ả ướ ượ ụ ộ ị ả ẫ ầ

- Không ph i s h t l c tăng thì k t qu c l ng sẽ tăng lênả ố ạ ọ ế ả ướ ượ

Vì v y, trong đ án này, chúng em đã nghiên c u ph ng pháp l c m i dùng cho giám sátậ ồ ứ ươ ọ ớ

đa m c tiêu. Đó là b l c k t h p gi a b l c h t Particle (PF) và b l c xác su t d li u liênụ ộ ọ ế ợ ữ ộ ọ ạ ộ ọ ấ ữ ệ

h p Joint Probabilistic Data Association Filter (JPDAF) thành b l c PF-JPDAF.ợ ộ ọ

Thu t toán 4.1: PF-JPDAF cho giám sát đa m c tiêu trong m ng c m bi n khôngậ ụ ạ ả ế

dây

1. t i th i đi m ban đ u k=0, cho t = 1,…,T, i = 1,…,N ạ ờ ể ầ

t tr ng thái tr c c a m c tiêu ừ ạ ướ ủ ụ x t , 0i pt (x t , 0).

2. Cho k = 1,2,…., th c hi n các b c nh sau:ự ệ ướ ư

7


2.1. Cho t = 1,…,T,

i = 1,…,N m u ẫ x t , ki p (x t , ki ⎸ xt ,k−1

i ) .2.2. Cho n = 1,…,N s, th c hi n nh sau:ự ệ ư

Cho t = 1,…,T,

j = 1,…,lkn và i = 1,…,N tính toán kh năng d đoán có th x y ra:ả ự ể ả

ptn(z j ,k

n ⎸ x t , ki ) = 1

√⎸ 2π Rkn⎸exp[ – 12 (z j ,kn – H kn x t , k

i )T (Rkn)−1(z j , k

n – H kn x t ,k

i )]ptn(z j , k

n ⎸ z0 : k−1n ) ≈ ∑i=1

N

p tn(z j ,k

n ⎸ x t , ki )

Cho t = 1,…,T,

j = 1,…,lkn, Li t kê t t c các giá tr c a phép đo đ c p liên h p t i n nút c m bi nệ ấ ả ị ủ ể ặ ợ ạ ả ế

đ hình thành ể (λ j , kn )k

và đ c tính theo công th cượ ứ

(λ j , kn )k=¿ ∑

θkn

p (θkn⎸ z0 :kn )

2.3. Cho t = 1,…,T,

i = 1,…,N đ c tính g n đúng theo:ượ ầ

p(Zk⎸x t , k) = ∏n=1

Ns [∑j

lkn

(β j ,tn )k p tn (z j ,kn ⎸ x t , k )]2.4. Cho t= 1,…,T,

i = 1,…,N tính toán tr ng l ng c a H t (particle)ọ ượ ủ ạ

w t , ki ∝wt ,k−1

i pt(Zk⎸x t , ki ),

~w t ,ki = w t , k

i / ∑j=1

N

wt ,kj

2.5. Tái t o l i: ạ ạ

cho t= 1,…,T,

i = 1,…,N

M r ng thêm m u ở ộ ẫ x t , ki cùng v i t m quan tr ng c a tr ng s ớ ầ ọ ủ ọ ố ~w t ,k

i trong N m uẫ

ng u nhiên:ẫ

w k ,ki = ~w t ,k

i = N−1

8


Trong thu t toán theo dõi PF-JPDAF trên, c n thi t li t kê t t c phép đo l ng vàậ ầ ế ệ ấ ả ườ

c p m c tiêu h p l . Tuy nhiên, s l ng các m c tiêu đo l ng và c p h p l tăng theo c pặ ụ ợ ệ ố ượ ụ ườ ặ ợ ệ ấ

s nhân v i s gia tăng c a s l ng các m c tiêu trong vùng c m bi n. Vì v y, c n gi m số ớ ự ủ ố ượ ụ ả ế ậ ầ ả ố

phép đo và c p m c tiêu. B ng cách áp d ng ki n ặ ụ ằ ụ ế trúc m ng c m bi n phân c p và mô hìnhạ ả ế ấ

GMM (Gaussian mixture model), các phân ph i PF-JPDAF cũng đã đ c phát tri n. Mô ph ngố ượ ể ỏ

minh h a thu t toán PF-JPDAF phân ph i cho theo dõi nhi u m c tiêu trong m ng c m bi nọ ậ ố ề ụ ạ ả ế

không dây

PH N 4: K T LU NẦ Ế Ậ

M c đích chính c a đ án là nghiên c u giám sát đa m c tiêu s d ng b l c k t h pụ ủ ồ ứ ụ ử ụ ộ ọ ế ợ

PF-JPDAF. Đ đ t đ c m c đích, đ án đã đi vào tìm hi u t ng b c t bài toán giám sátể ạ ượ ụ ồ ể ừ ướ ừ

nghiên c u c th b l c Particle và xây d ng thu t toán m i PF-JPDAF. M t vài k t lu n tứ ụ ể ộ ọ ự ậ ớ ộ ế ậ ừ

nghiên c u này và công vi c nghiên c u trong t ng lai.ứ ệ ứ ươ

K t lu nế ậ

1. Giám sát đa m c tiêu dùng WSN là m t nhi m v khó khăn và khôngd dàng đ thi tụ ộ ệ ụ ễ ể ế

k . Nh ng thách th c phát sinh t nh ng đ c đi m riêng bi t c a m ng c m bi n khôngế ữ ứ ừ ữ ặ ể ệ ủ ạ ả ế

dây, đ c bi t là c u trúc có tính k t n i đ ng và ngu n năng l ng gi i h n trên m i nútặ ệ ấ ế ố ộ ồ ượ ớ ạ ỗ

c m bi n. Đ gi i quy t nh ng v n đ này, t đ án này giúp phát tri n kỹ thu t x lý thôngả ế ể ả ế ữ ấ ề ừ ồ ể ậ ử

tin và các v n đ k t n i gi a các nút c m bi n đ c l ng, tính toán các thông s c aấ ề ế ố ữ ả ế ể ướ ượ ố ủ

m c tiêu. ụ

2. Trong vi c x lý thông tin, đã đ xu t m t dãy các thu t toán giám sát d a trên c sệ ử ề ấ ộ ậ ự ơ ở

c a ph ng pháp c l ng bayesian. Đ theo dõi m t m c tiêu, thì có 4 thu t toán đ củ ươ ướ ượ ể ộ ụ ậ ượ

đ a ra nh b l c Kalman m r ng (S - EKF), b l c Kalman tu n t (S - UKF), PF, và s k tư ư ộ ọ ở ộ ộ ọ ầ ự ự ế

9


h p gi a Kalman m r ng v i PF (EKPF). Hàm PF và EKPF là thu t toán giám sát s d ngợ ữ ở ộ ớ ậ ử ụ

m u r i r c đ x p x hàm m t đ xác su t và chúng đ c áp d ng cho nhi u phi Gauss vàẫ ờ ạ ể ấ ỉ ậ ộ ấ ượ ụ ễ

phi tuy n tính. ế

3. Nghiên c u phát tri n thu t toán k t h p c a Particle Filter (PF) v i b l c xác su tứ ể ậ ế ợ ủ ớ ộ ọ ấ

d li u (JPDAF) thành thu t toán PF-PDAF. Thu t toán này gi i quy t hi u qu v n đ liênữ ệ ậ ậ ả ế ệ ả ấ ề

k t d li u ng v i nhi u phi Gauss, phi tuy n.ế ữ ệ ứ ớ ễ ế

Đ nh h ng nghiên c u trong t ng laiị ướ ứ ươ

V i nghiên c u này, các công vi c có th th c hi n trong t ng lai là:ớ ứ ệ ể ự ệ ươ

1. Đi vào mô ph ng đánh giá hi u năng c a thu t toán PF-JPDAF.ỏ ệ ủ ậ

2. M r ng thu t toán PF-JPDAF đ giám sát s l ng m c tiêu không xác đ nh và thayở ộ ậ ể ố ượ ụ ị

đ i. Trong th c t , s l ng m c tiêu có th thay đ i theo th i gian và ra vào khuổ ự ế ố ượ ụ ể ổ ờ

v c quan sát. Do đó vi c phát hi n chính xác các m c tiêu đ n và đi, duy trì cáchự ệ ệ ụ ế

nh n d ng cho m i m c tiêu , c p nh t tr ng thái c a m c tiêu trong su t th i gianậ ạ ỗ ụ ậ ậ ạ ủ ụ ố ờ

theo dõi.

3. L a ch n các nút c m bi n cho giám sát đa m c tiêuự ọ ả ế ụ

Mu n phát tri n hàm t p h p các đ i t ng l a ch n các nút c m bi n trong giámố ể ậ ợ ố ượ ự ọ ả ế

sát đa m c tiêu. Tuy nhiên, trong m t vùng giám sát có nhi u đ i t ng và chúng h nụ ộ ề ố ượ ỗ

lo n, vi c tính toán hàm t p h p các đ i t ng r t ph c t p. H n n a s l ng cácạ ệ ậ ợ ố ượ ấ ứ ạ ơ ữ ố ượ

đ i t ng tăng ho c bi n đ i. Công vi c này tr thành v n đ nan gi i và c n thi tố ượ ặ ế ổ ệ ở ấ ề ả ầ ế

phát tri n các gi i pháp g n đúng.ể ả ầ

4. Thu t toán k t n i m ng trong giám sát m c tiêu dung m ng c m bi n không dâyậ ế ố ạ ụ ạ ả ế

Thu t toán k t n i g m thu t toán đ nh tuy n phân c p và thu t toán k t h p MACậ ế ố ồ ậ ị ế ấ ậ ế ợ

đ c đ xu t.ượ ề ấ

10


TÀI LI U THAM KH OỆ Ả

[1] R.R. Brooks, P. Ramanathan and A.M. Sayeed. Distributed Target Classification and

Tracking in Sensor Networks. Special Issue in Sensor Networks, Revision, January 2003.

[2] Sundeep Pattem, Sameera Posuri and Bhaskar Krishnamachari. Energy-Quality

Tradeoffs for Target Tracking in Wireless Sensor Networks. 2nd Workshop on Information

Processing in Sensor Networks, IPSN, April 2003

[3] C. Bisdikian, "On Sensor Sampling and Quality of Information: a Starting Point," in Proc.

of IEEE PERCOM Workshops, March 2007, pp. 279 - 284.

[4] J. Wang, Y. Liu, and S. K. Das, "Improving Information Quality of Sensory Data through

Asynchronous Sampling," the First International Workshop on Information Quality and

11


Quality of Service for Pervasive Computing (IQ2S 2009) in PerCom 2009, March 2009, pp.

1-6.

[5] F. Zhao, 1. Liu, 1. Liu, L. Guibas, and 1. Reich, "Collaborative Signal and Information

Processing: an Information Directed Approach." Proc. IEEE, vol. 91, Aug. 2003, pp. 1199-

1209.

[6] J. Lin, W. Xiao, F. Lewis, and L. Xie, "Energy Efficient Distributed Adaptive Multi-Sensor

Scheduling for Target Tracking in Wireless Sensor Networks," IEEE Transactions on

Instrumentation and Measurement, vol. 58, Jun. 2009, pp. 1886-1896.

[7] L. Chen, B.K. Szymanski, 1.W. Branch, "Quality-Driven Congestion Control for Target

Tracking in Wireless Sensor Networks," 5th IEEEInternational Conference on Mobile Ad

Hoc and Sensor Systems (MASS 2008), Sept-Oct 2008, pp. 766 - 771.

[8] W. Xiao, J. K. Wu, L. Shue, Y. Li, and L. Xie, "A Prototype Ultrasonic Sensor Network for

Tracking of Moving Targets," the 1st IEEE Conference on Industrial Electronics and

Applications (ICIEA 2006), May 2006, pp. 1511-1516.

[9] Y. K. Toh, W. Xiao, and L. Xie, "A Wireless Sensor Network Target Tracking System with

Distributed Competition based Sensor Scheduling," the third International Conference on

Intelligent Sensors, Sensor Networks and Information Processing (ISSNIP2007), Dec 2007,

pp. 257-262.

[10] Y. Bar-Shalom, X. R. Li, and T. Kirubarajan, “Estimation with Applications to Tracking

and Navigation”. New York: John Wiley &Sons, 2001.

[11] Wendong Xiao, Lihua Xie, Jianfeng Chen, and Louis Shue “Multi-Step Adaptive Sensor

Scheduling for Target Tracking in Wireless Sensor Networks” ICASSP 2006, pp. 705 -708.

[12] Sen Zhang , Wendong Xiao , Marcelo H Ang Jr , Chen Khong Tham “IMM Filter Based

Sensor Scheduling for Maneuvering Target Tracking in Wireless Sensor Networks” ISSNIP

2007 pp. 287 – 292.

[13] Jianyong Lin, Wendong Xiao, Frank L. Lewis, Lihua Xie “Energy-Efficient Distributed

Adaptive Multisensor Scheduling for Target Tracking in Wireless Sensor Networks”, IEEE

TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, VOL. 58, NO. 6, JUNE

2009 ,pp 1886-1896 B. Sunil Kumar et al IJCSET |January 2012| Vol 2, Issue 1,784-786 786

12


[14] R.E. Kalman, A new approach to linear filtering and prediction problems, J. Basic Eng.

82 (1960) 35–45

[15] P.M. Djurić, Ting Lu, M.F. Bugallo, Multiple particle filtering, in: 32nd IEEE ICASSP,

April 2007.

[16] H.Q. Liu, H.C. So, F.K.W. Chan, K.W.K. Lui, Distributed particle filter for target tracking

in sensor networks. Prog. Electromagnet. Res. C 11 (2009) 171–182.

[17] R. Olfati-Saber, Distributed Kalman filtering for sensor networks, in:46th IEEE

Conference on Decision and Control, December 2007,pp. 5492–5498

[18] A distributed particle filter for nonlinear tracking in wireless sensor networks Jesse

Readn, Katrin Achutegui, Joaquín Míguez, Avenida de la Universidad 30, 28911 Leganés

(Madrid), Spain.

[19] Multiple Target Tracking with RF Sensor Networks ,Maurizio Bocca, Ossi Kaltiokallio,

Neal Patwari Member, IEEE and Suresh Venkatasubramanian.

[20] O. Kaltiokallio and M. Bocca, Real-Time Intrusion Detection and Tracking in Indoor

Environment through Distributed RSSI Processing, in 2011 IEEE 17th Intl. Conf. Embedded

and Real-Time Computing Systems and Applications (RTCSA), 2011, pp. 6170.

13

Documents

TÓM TẮT ĐỒ ÁN