Mobile collaborative sensing : framework and algorithm design

De nos jours, il y a une demande croissante pour fournir de l'information temps reel a partir de l'environnement, e.g. etat infectieux de maladies, force du signal, conditions de circulation, qualite de l'air. La proliferation des dispositifs de capteurs et la mobilite des personnes font de la Mobile Collaborative Sensing (MCS) un moyen efficace de detecter et collecter l'information a un faible cout. Dans MCS, au lieu de deployer des capteurs statiques dans une zone, les personnes disposant d'appareils mobiles jouent le role de capteurs mobiles. En general, une application MCS exige que l'appareil de chacun ait la capacite d'effectuer la detection et retourne les resultats a un serveur central, mais egalement de collaborer avec d'autres dispositifs. Pour que les resultats puissent representer l'information physique d'une region cible et convenir, quel type de donnees peut etre utilise et quel type d'information doit etre inclus dans les donnees collectees? Les donnees spatio-temporelles peuvent etre utilisees par des applications pour bien representer la region cible. Dans des applications differentes, l'information de localisation et de temps sont 2 types d'information communes, et en les utilisant la region cible d'une application est sous surveillance complete du temps et de l'espace. Differentes applications necessitent de l'information differente pour atteindre des objectifs differents. E.g. dans cette these: i- MCS-Locating application: l'information de resistance du signal doit etre incluse dans les donnees detectees par des dispositifs mobiles a partir d'emetteurs de signaux ; ii- MCS-Prediction application : la relation entre les cas d'infection et les cas infectes doit etre incluse dans les donnees par les dispositifs mobiles provenant des zones de flambee de la maladie ; iii- MCS-Routing application : l'information routiere en temps reel provenant de differentes routes de circulation doit etre incluse dans les donnees detectees par des dispositifs embarques. Avec la detection de l'information physique d'une region cible, et la mise en interaction des dispositifs, 3 themes d'optimisation bases sur la detection sont etudies et 4 travaux de recherche menes: -Mobile Collaboratif Detection Cadre : un cadre mobile de detection collaborative est concu pour faciliter la cooperativite de la collecte, du partage et de l'analyse des donnees. Les donnees sont collectees a partir de sources et de points temporels differents. Pour le deploiement du cadre dans les applications, les defis cles pertinents et les problemes ouverts sont discutes. -MCS-Locating : l'algorithme LiCS (Locating in Collaborative Sensing based Data Space) est propose pour atteindre la localisation de la cible. LiCS utilise la puissance du signal recu dans tous les peripheriques sans fil comme empreintes digitales de localisation pour les differents emplacements. De sorte LiCS peut etre directement pris en charge par l'infrastructure sans fil standard. Il utilise des donnees de trace d'appareils mobiles d'individus, et un modele d'estimation d'emplacement. Il forme le modele d'estimation de localisation en utilisant les donnees de trace pour atteindre la localisation de la cible collaborative. Cette collaboration entre peripheriques est au niveau des donnees et est supportee par un modele. -MCS-Prediction: un modele de reconnaissance est concu pour acquerir dynamiquement la connaissance de structure de la RCN pertinente pendant la propagation de la maladie. Sur ce modele, un algorithme de prediction est propose pour predire le parametre R. i.e. le nombre de reproduction qui est utilise pour quantifier la dynamique de la maladie pendant sa propagation. -MCS-Routing : un algorithme de navigation ecologique ‘eRouting’ est concu en combinant l'information de trafic temps reel et un modele d'energie/emission base sur des facteurs representatifs. Sur la base de l'infrastructure standard d'un systeme de trafic intelligent, l'information sur le trafic est collectee