Bayesian Prediction and Adaptive Sampling Algorithms for Mobile Sensor Networks

Ce document présente une classe de problèmes et de modèles pour la prédiction du champ scalaire d'intérêt à partir d'observations bruitées collectées par des réseaux de capteurs mobiles. Il aborde également le problème de la coordination optimale des capteurs robotiques afin de maximiser la qualité de la prédiction tout en tenant compte des contraintes de communication et de mobilité, que ce soit de manière centralisée ou distribuée. Pour résoudre ces problèmes, des approches entièrement bayésiennes sont adoptées, permettant d'intégrer diverses sources d'incertitude dans un cadre inférentiel qui capture efficacement tous les aspects de la variabilité impliquée. L'approche entièrement bayésienne permet également la sélection automatique des valeurs les plus appropriées pour les paramètres supplémentaires du modèle en fonction des données, atteignant ainsi une inférence et une prédiction optimales pour le champ scalaire sous-jacent. En particulier, une régression par processus gaussien spatio-temporel est formulée pour les capteurs robotiques.