Optimizing Sensor Network Design for Multiple Coverage

要約

センサー配置の最適化方法は広範囲に研究されてきました。
これらは、既知の環​​境の監視、5G タワーの最適な場所、ミサイル防衛システムの配置など、幅広い用途に適用できます。
しかし、センサーの障害や敵対的攻撃に関して、結果として得られるセンサー ネットワークの堅牢性と効率性を調査した研究はほとんどありません。
このペーパーでは、最小数のセンサーを最適化して、規定の数のセンサーによる非単純接続ドメインの複数のカバレッジを達成することで、この問題に対処しています。
効率的で堅牢なセンサー ネットワークを設計し、ネットワークの最適性に関する理論的限界を導き出すために、貪欲 (次善のビュー) アルゴリズムに新しい目的関数を導入します。
さらに、深層学習モデルを導入して、ほぼリアルタイムの計算アルゴリズムを高速化します。
深層学習モデルでは、トレーニング サンプルの生成が必要です。
同様に、トレーニング データセットの幾何学的特性を理解することで、ディープ ラーニング技術のパフォーマンスとトレーニング プロセスに関する重要な洞察が得られることを示します。
最後に、より単純な目的を使用した欲張りアプローチの単純な並列バージョンが高い競争力を発揮できることを示します。

要約(オリジナル)

Sensor placement optimization methods have been studied extensively. They can be applied to a wide range of applications, including surveillance of known environments, optimal locations for 5G towers, and placement of missile defense systems. However, few works explore the robustness and efficiency of the resulting sensor network concerning sensor failure or adversarial attacks. This paper addresses this issue by optimizing for the least number of sensors to achieve multiple coverage of non-simply connected domains by a prescribed number of sensors. We introduce a new objective function for the greedy (next-best-view) algorithm to design efficient and robust sensor networks and derive theoretical bounds on the network’s optimality. We further introduce a Deep Learning model to accelerate the algorithm for near real-time computations. The Deep Learning model requires the generation of training examples. Correspondingly, we show that understanding the geometric properties of the training data set provides important insights into the performance and training process of deep learning techniques. Finally, we demonstrate that a simple parallel version of the greedy approach using a simpler objective can be highly competitive.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google