Please enable JavaScript.
Coggle requires JavaScript to display documents.
Adaptive Sampling for MRSN using ADMM - Coggle Diagram
Adaptive Sampling for MRSN using ADMM
Chủ đề nghiên cứu
Mạng cảm biến di động
Mạng cảm biến robot sử dụng trong việc phân tích môi trường hoạt động
Sử dụng model GP (Gaussian Process) để thể hiện vùng môi trường hoạt động => Có thể áp dụng trong việc dự đoán các vùng môi trường chưa được khám phá
Các robot cảm biến cần phải tìm phương án di chuyển tối ưu phù hợp với môi trường để thu thập được nhiều thông tin nhất có thể (Adaptive sampling)
Mạng cảm biến sẽ làm việc với các thuật toán tối ưu (Optimization algorithms)
Dữ liệu bài toán
Động học của robot (s)
s là vector vị trí (2D x, y)
θ là góc đang hướng tới
v là tốc độ tuyến tính
ω là tốc độ góc
∆T là thời gian lấy mẫu
Phép đo môi trường (y)
Sử dụng để dự đoán cho các phép đo / di chuyển tiếp theo
Ứng dụng ký thuyết về phân vùng Voronoi (V)
Một loại ràng buộc của hệ thống mạng robot cảm biến
Giúp giảm khả năng va chạm giữa các robot trong quá trình làm việc
V là phân vùng Voronoi
q là giới hạn vùng di chuyển Robot
Q là giới hạn môi trường được phép hoạt động của robot
Dự đoán vùng không gian cần đo tiếp theo để tối ưu phương án lấy mẫu
Tính toán vector trung bình hậu nghiệm (µ)
Tính toán ma trận hiệp phương sai hậu nghiệm (Σ)
Cho biết độ biến động của các tham số, đánh giá mức độ chính xác của các thông tin thu thập được
Mục tiêu chính: Giảm thiểu tối đa độ lớn của ma trận này => độ chính xác của dữ liệu cao + mối tương quan dữ liệu nhỏ
Bài toán cuối cùng là tính log det của
m là các vector trung bình của các biến ẩn
0:t là thời gian từ lúc bắt đầu tới thời điểm t
Phân tích bài toán
Bài toán: Tìm phương án di chuyển tối ưu nhất kết hợp với đo đạc môi trường theo từng bước thời gian cho tới khi các yêu cầu khám phá được thỏa mãn.
Hướng giải quyết: Sử dụng L-ADMM (Linearized) và SC-ADMM (Successive convexified) cho một bài toán tối ưu phi lồi
Giải quyết bài toán cuối cùng bằng cách sử dụng ADMM
Classic ADMM
L-ADMM
SC-ADMM
Tính toán ∆
Cách hoạt động chung của thuật toán ADMM trong bài toán này
B1: Cho các biến dữ liệu z(s), µ, e, k, ρ, L
B2: Vòng lặp tính toán để tối ưu các biến trên cho tới khi thỏa mãn điều kiện (s, z, µ)
B3: Cập nhật các biến đã tối ưu và trả lại kết quả