P. David, V. Idasiak, F. Kratz PRISME / L.V.R

Présentation au sujet: "P. David, V. Idasiak, F. Kratz PRISME / L.V.R"— Transcription de la présentation:

1 Placement de réseau de capteurs pour l’observation de scènes intérieures
P. David, V. Idasiak, F. Kratz PRISME / L.V.R ENSI de Bourges - Université d'Orléans 88 boulevard Lahitolle, Bourges Cedex, France 05/03/2008

2 Sommaire Projet CAPTHOM Définition du Problème Méthode de Modélisation
Première Solution Utilisation d’Algorithmes Génétiques Cas d’Étude Conclusion et Travaux Futurs 05/03/2008

3 Projet CAPTHOM Projet du programme SéSAME du pôle S2E2.
Projet de développement d’un nouveau Capteur de Présence Humaine. Le capteur est destiné à une utilisation dans des bâtiments tertiaires ou dans l’habitat privé. Les applications visées vont de la gestion de l’énergie à l’aide au maintien à domicile. 05/03/2008

4 Définition du Problème
Permettre un placement optimal des futurs capteurs développés. Les caractéristiques du problème sont: Réaliser un placement pour des scènes intérieures Pouvoir fixer des degrés de priorité pour les zones à surveiller Éviter de couvrir certaines zones Résoudre le problème d’observation en disposant d’un nombre limité de capteurs Résoudre le problème d’observation en disposant de zones de placement accessibles limitées 05/03/2008

5 Méthode de Modélisation
Données disponibles: Géométrie de la scène Placement du mobilier Liste des capteurs utilisables Lieux d’implantation possibles Objectifs de couverture Données attendues: Ensemble des capteurs retenus et leur placement Indicateurs sur l’efficacité de la solution 05/03/2008

6 Méthode de Modélisation
Le problème précédant est un problème d’optimisation sous contraintes. Les données précédentes sont exprimées numériquement pour obtenir un ensemble d’équations. Le fruit de la recherche des algorithmes d’optimisation employés sera l’ensemble des capteurs retenus. 05/03/2008

7 Méthode de Modélisation
Numérisation de la scène: La scène est représentée par un vecteur Chaque point de la scène est un élément du vecteur La scène est découpée en un nombre choisi de points Tous les éléments sont fixés à 0 Si un point appartient à une zone à surveiller l’élément est fixé à 1 05/03/2008

8 Méthode de Modélisation
Si l’on veut graduer l’importance des zones à surveiller un deuxième vecteur indiquant cette importance est ajouté. 05/03/2008

9 Méthode de Modélisation
Pour caractériser les capteurs il faut connaître leur zone efficace. Cette zone est la zone dans laquelle le capteur peut fournir une information sur le flux auquel il est sensible. La zone efficace est calculée par tracé de rayon La zone est ensuite numérisée comme la scène 05/03/2008

10 Méthode de Modélisation
. . . 1 05/03/2008

11 Méthode de Modélisation
Ce procédé est réalisé pour chaque capteur et chaque position envisageable. Les vecteurs décrivant le comportement de chaque capteur sont concaténés dans une matrice. Pour appréhender la fiabilité des capteurs, il est possible de calculer un second vecteur pour chacun d’eux. Dans ce vecteur, on indique la fiabilité de la mesure au point considéré. Pour représenter le comportement d’un réseau de capteur, il suffit de multiplier la matrice par un vecteur de sélection des capteurs. 05/03/2008

12 Méthode de Modélisation
Une fonction coût est créée pour évaluer chaque réseau. Cette fonction coût permet de calculer le prix global du matériel engagé, ainsi que la consommation énergétique de la solution. C’est cette fonction que l’on minimise tout en vérifiant l’efficacité du réseau par rapport à la mission confiée. 05/03/2008

13 Méthode de Modélisation
05/03/2008

14 Premiers résultats 05/03/2008

15 Utilisation d’Algorithmes Génétiques
L’usage d’algorithmes génétiques est justifié dans notre cas par: La nécessité d’optimiser des objectifs hétérogènes. (coût, couverture, redondance des capteurs, fiabilité du réseau) La nécessité de prendre en compte des contraintes hétérogènes. (zone à observer, éviter, placement restreint, coût maximal) Les algorithmes génétiques permettent de trouver des solutions plus réalistes et prenant en compte des contraintes plus complexes. Nous avons en particulier exprimé le fait qu’un capteur ne doit être ajouté au réseau que si il apporte une quantité suffisante de nouvelles informations. 05/03/2008

16 Utilisation d’Algorithmes Génétiques
Exemple de fonction de coût utilisée: val  0 for i=0..NbPoint if Scene ( i ) > 0 if (A  x)( i ) ≥ Scene ( i ) val  val / sum(Scene ) if (A  x)( i ) < 0 val  val – 100 if sum( x ) > MaxSens val  val + Cov  ( NbSens – sum( x ) ) 05/03/2008

17 Cas d’Étude 05/03/2008

18 Cas d’Étude 05/03/2008

19 Cas d’Étude 05/03/2008

20 Conclusion Première solution pour l’optimisation du placement de réseau de capteur. Grande souplesse dans les contraintes et objectifs. Adaptation à des solutions multi capteurs de technologies différentes. Utilisable pour l’implantation des futurs capteurs développés dans CAPTHOM. 05/03/2008

21 Travaux futurs Passer à une représentation 3D.
Ajouter les zones de perturbations dans la description de la scène. Réaliser des tests de performances par rapport à un scénario donné. Intégrer aux résultats l’apport de politiques de fusion de données. Évaluer la fiabilité du réseau par rapport aux missions (ex: simulation de perte de capteurs) 05/03/2008

22 Remerciements Nous tenons à remercier les partenaires du projet Capthom. Ce travail a été réalisé avec le soutien financier de la Région Centre, des collectivités locales et du Ministère de l’Industrie dans le cadre du projet Capthom du pole S2E2, 05/03/2008

23 05/03/2008