Contenu

Méthodes de surveillance distribuées

Dans un réseau de capteurs, la détection automatique d'un événement ou d'un incident repose sur le caractère coopératif des capteurs constituant le réseau pour une prise de décision plus sûre. Les contraintes à respecter lors de la conception de réseaux de capteurs sont récurrentes : un faible encombrement, une alimentation autonome de longue durée, une stratégie de traitement du signal et de décision distribuée et coopérative, et un mode de communication efficace et robuste. Une très faible consommation est indispensable afin qu'une longue autonomie énergétique puisse être obtenue avec des batteries de petites dimensions. Dans le cas contraire, le remplacement fréquent de ces batteries entraînerait une maintenance contraignante et coûteuse. Dans ce contexte, où chaque capteur ne peut intégrer qu'une unité de traitement de l'information locale et sous-dimensionnée, une stratégie de traitement du signal et de prise de décision distribuée et reposant sur la collaboration de l'ensemble des capteurs s'avère primordiale. Dans le cadre de ce projet, nous reconsidérons deux familles de méthodes de détection non linéaires ayant fait preuve de leur efficacité pour la résolution de problèmes décisionnels classiques : le filtrage bayésien séquentiel et les méthodes à noyau. Il s'agit de conférer un caractère décentralisé et coopératif à ces techniques.

Filtrage bayésien séquentiel : Dans la conception d'un système de surveillance efficace, nous devons tenir compte du fait que l'état de l'environnement évolue dans le temps, que les mesures sont entachées de bruits. Par conséquent, un modèle probabiliste dynamique décrivant l'évolution du système et tenant compte des statistiques des données est bien adapté à cette problématique. Compte tenu de la complexité et la non linéarité des systèmes considérés, on est souvent amené à considérer des schémas d'inférence approximatifs de type Monte Carlo (filtrage particulaire). Dans ce contexte, nous proposons une implémentation distribuée du filtrage particulaire. Afin de respecter les contraintes d'énergie, à chaque instant, un nœud leader est choisi selon un critère représentant un compromis entre la pertinence des données collectées au niveau du capteur, sa réserve d'énergie et la propagation des erreurs d'inférence. Le nœud leader est également en mesure de choisir des nœuds collaborateurs capables d'enrichir le contenu informationnel de ses données. On aboutit ainsi à un protocole de collaboration spatio-temporelle des capteurs constituant le réseau.

Méthodes à noyau : Nous explorons également une seconde voie qui vise à relaxer la contrainte du modèle probabiliste en considérant qu'aucune hypothèse n'est faite sur les lois de probabilité régissant le système et les observations que l'on en fait. Au lieu de cela, on suppose disposer de données préalablement recueillies en sortie des capteurs et étiquetées par l'état de l'environnement selon plusieurs scénarios. Si une abondante littérature est consacrée à la résolution de problèmes de détection centralisée à partir de données étiquetées, on relève encore peu de travaux reposant sur ce type d'information a priori dans un contexte décisionnel décentralisé. La complexité et le caractère non linéaire des systèmes considérés nous oriente naturellement vers une classe de solutions : les méthodes à noyau. L'objectif, dans cette tâche, est de proposer une mise en œuvre distribuée de méthodes de détection à noyau. Ce travail nécessite tout d'abord de reconsidérer la notion de structures décisionnelles à noyau au jour des ressources calculatoires et des capacités de communication limitées des cellules du réseau sur lesquelles elles sont décentralisées, ainsi que de l'architecture retenue pour le réseau. On s'attache également à la conception d'algorithmes d'apprentissage destinés à élaborer les détecteurs locaux ainsi que la règle de fusion mise en œuvre par l'unité centrale.