Lazy Estimation in Networked Systems

Die Menge an Daten, die von batteriebetriebenen, weit verteilten Sensorsystemen bereitgestellt werden, nimmt fortlaufend zu. Moderne Ansätze der Informationsverarbeitung und Datenfusion können dazu beitragen, den notwendigen Kommunikationsaufwand und Energiebedarf deutlich zu reduzieren. Zu diesem Zweck konzentriert sich dieses Projekt auf Techniken der Informationsverarbeitung, die implizite Informationen einbeziehen können. Solche impliziten Informationen können z. B. aus der Sendeentscheidung eines Sensorknotens abgeleitet werden. Obwohl ein Sensorknoten entscheidet, seine Daten nicht zu senden, kann der Zustandsschätzer am Empfänger eine Aktualisierung mit virtuellen Messdaten vornehmen. Beispielsweise kann der Sender die Sensorwerte mit einem Schwellenwert vergleichen, um eine Sendeentscheidung zu treffen. Der Empfänger kann die Entscheidungsregel in Informationen über die Daten übersetzen, auch wenn keine Übertragung stattfindet. Sender und Empfänger können solche Entscheidungsregeln aushandeln, um die Kommunikationskosten für den Sender zu minimieren und zugleich den Informationsgewinn auf Empfängerseite zu maximieren. Da schwellenwertbasierte Strategien für dynamische Systeme zu einschränkend sind, werden modellbasierte und datengetriebene Triggermechanismen untersucht.

In diesem Projekt werden in erster Linie stochastische Trigger betrachtet. Stochastische Trigger haben gegenüber deterministischen Verfahren den Vorteil, dass die implizite Information auf Empfängerseite durch eine Normalverteilung repräsentiert werden kann, die die Verarbeitung deutlich vereinfacht. So muss z. B. ein Kalman-Filter nur geringfügig angepasst werden, um implizite Messinformationen zu verarbeiten. Ziel dieses Projektes ist die Entwicklung eines umfassenden Konzepts ereignisbasierter Zustandsschätzung auf Grundlage stochastischer Triggermechanismen. Hierzu werden zunächst grundlegende Eigenschaften untersucht und intelligente Verfahren entwickelt, die die Schätzqualität und Robustheit ereignisbasierter Informationsverarbeitung verbessern. Neben modellbasierten und datengetriebenen Verfahren werden eine aperiodische und asynchrone Übertragung und Verarbeitung der Sensordaten angestrebt sowie der Einfluss unzuverlässiger Kommunikationsverbindungen untersucht. Die hierbei erzielten Ergebnisse dienen als Grundlage bei der Betrachtung von Multisensorsystemen und hochdimensionalen Schätzproblemen. Ein Beispiel ist die Überwachung eines weiträumigen Phänomens mit Hilfe eines Sensornetzwerks. In solchen verteilten Schätzproblemen entstehen Abhängigkeiten zwischen den Triggerentscheidungen, die explizit bei der Ausnutzung impliziter Information berücksichtigt werden müssen. Das Projekt betrachtet insbesondere Anwendungen im Bereich des Object-Trackings, um die hergeleiteten Konzepte zu evaluieren. Zudem wird das Anwendungspotential ereignisbasierter Verfahren im Bereich neuromorpher Sensorsysteme und als Ansatz zur Geheimhaltung von Zustandsinformationen untersucht.

The amount of sensor data provided by battery-driven, widely distributed devices is steadily increasing. Since sensor data are typically fed into information processing units, it is worth considering how information processing itself can be exploited to reduce communication and energy demands. For this purpose, this project focuses on information-processing techniques that can incorporate implicit information conveyed by the transmission mechanism. Although a sensor node decides not to send its data, the receiver can still leverage the absence of data to update its state estimates. For instance, sensor readings can be compared against a threshold to decide for a transmission. The receiver can translate this decision rule into information about the data although no transmission took place. Sender and receiver can negotiate such decision rules in order to minimize communication costs, on the transmitting end, and to maximize the retrievable information, on the receiving end. Since threshold-based strategies are far too restrictive for time-varying systems being observed, model-based and data-driven policies will be investigated.

This project primarily investigates stochastic decision rules to trigger transmissions. In contrast to deterministic triggers, stochastic mechanisms can preserve the Gaussianity of the implicit information simplifying the estimator design at the receiver. For instance, a Kalman filter only requires minor adaptions to incorporate implicit information when no transmission event is triggered. The goal of this project is to push the principles of stochastic triggering forward to establish a comprehensive framework of lazy estimation. First, the investigations are concerned with general properties and the design of intelligent trigger decisions to improve the effectiveness and robustness of lazy state estimation. These include model-based and data-driven trigger mechanisms, aperiodic and asynchronous transmission and processing times, as well as the study of unreliable communication links. The results provide the foundations for large-scale lazy estimation with respect to both multisensor systems and high-dimensional state representations. For instance, multiple systems collaboratively monitor a dynamic system and fuse exchanged sensor data and estimates. Such distributed data fusion problems lead to dependent trigger decisions that require self-adapting trigger mechanisms. In particular, the project considers applications in object tracking to evaluate the derived concepts. Lazy estimation shows great potential in the processing of neuromorphic sensor data.