Bayesian Prediction and Adaptive Sampling Algorithms for Mobile Sensor Networks

Dieses Briefing führt in eine Klasse von Problemen und Modellen ein, die darauf abzielen, das interessierende Skalarfeld aus verrauschten Beobachtungen zu prognostizieren, die von mobilen Sensornetzwerken gesammelt wurden. Es wird auch das Problem der optimalen Koordination von robotischen Sensoren behandelt, um die Vorhersagequalität zu maximieren, während Kommunikations- und Mobilitätsbeschränkungen berücksichtigt werden, entweder auf zentralisierte oder verteilte Weise. Zur Lösung dieser Probleme werden vollständig bayesianische Ansätze verwendet, die es ermöglichen, verschiedene Unsicherheitsquellen in ein inferenzielles Rahmenwerk zu integrieren, das alle Aspekte der Variabilität effektiv erfasst. Der vollständig bayesianische Ansatz ermöglicht auch die automatische Auswahl der geeignetsten Werte für zusätzliche Modellparameter basierend auf Daten, was zu optimaler Inferenz und Vorhersage für das zugrunde liegende Skalarfeld führt. Insbesondere wird die spatio-temporale Gaussian-Prozessregression für robotische Sensoren formuliert.