Mejora de algoritmo de planificación de trayectorias para recolección de datos en una WSN

Transcripción

1 Capítulo 6 Mejora de algoritmo de planificación de trayectorias para recolección de datos en una WSN En esta sección estudiaremos la aplicación desarrollada en [16], en la que el filtro de partículas se usa para asegurar unos mínimos en la recolección de datos en una red inalámbrica de sensores. Una red de sensores inalámbricos (WSN, de las siglas de Wireless Sensor Network consiste en un gran número de dispositivos de bajo coste y bajo consumo (nodos) con capacidad sensora, de cómputo y comunicaciones, distribuidos espacialmente. El pequeño tamaño, las comunicaciones inalámbricas y la operación a batería de los nodos WSN facilita su despliegue con una perturbación mínima del entorno y bajos costes de mantenimiento. En la última década las WSNs han atraído un interés creciente y se han centrado muchos esfuerzos en ellas [17], aplicándose en un amplio rango de campos de la técnica como monitorización ambiental o control de edificios entre otros. El bajo coste, tamaño y consumo son tres de las principales claves de la tecnología WSN. Los nodos están diseñados para operar con unos 40

2 requerimientos mínimos en hardware y software. El consumo de los transceptores está optimizado y el rango de transmisión es habitualmente menor de 100m en aire abierto. Aún así, la mayor parte de la energía se consume en la transmisión inalámbrica. Se ha investigado sobre muchos protocolos de formación de redes y enrutamiento de mensajes para minimizar el consumo de energía, los retrasos en la comunicación o para optimizar la configuración de la red y su fiabilidad. Al respecto puede encontrarse un resumen del estado del arte en [18]. Las redes de sensores inalámbricos estáticos tienen importantes limitaciones como su corto rango de comunicación, que se compensa habitualmente incrementando la densidad de nodos, que incrementa el número de saltos requeridos para la transmisión de mensajes, lo que lleva a un más alto consumo de energía, mayores retrasos y mayor probabilidad de colisión de mensajes. Por lo tanto los nodos WSN móviles instalados en vehículos autónomos proveen ventajas significativas. El vehículo puede moverse cerca de los nodos para asegurar la transmisión de datos de alta calidad, y la potencia de la transmisión de radio se puede reducir. Se han propuesto nodos móviles como data mules (porteadores de datos) de la red. Este capítulo trata sobre la recolección de datos de una WSN usando UAVs. En muchos escenarios el movimiento de los vehículos terrestres está muy restringido. En esos casos, el uso de UAVs es muy apropiado. Por otro lado la transmisión tierra-aire puede conseguir rangos más altos que la tierra-tierra. Sin embargo, a pesar de las ventajas significativas, los resultados y experiencias con UAVs y redes de sensores son muy escasos. En el trabajo se decribe un método y resultados experimentales para la recolección segura de datos de los nodos WSN usando un UAV. La técnica propuesta asigna un conjunto de zonas de paso para el UAV (WZ1,...,WZN) para la recolección adecuada de los datos teniendo en cuenta la heterogeneidad de los nodos. Para considerar los efectos de la incertidumbre en la trayectoria del UAV, se usan filtros de partículas para determinar si el objetivo se va a alcanzar, o de lo contrario se replanifica el movimiento del UAV, generando puntos de paso (waypoints) intermedios. Con el filtro de partículas se pretende evitar que las incertidumbres 41

3 Figura 6.1: UAV de ala fija usado en los experimentos, en la pista de aterrizaje. generadas por las condiciones atmosféricas principalmente, pero también por los errores en el modelo del UAV o las limitaciones de los sensores y el controlador del sistema a bordo del mismo, puedan hacer que el objetivo no sea alcanzado con altos niveles de probabilidad. Se consideran además zonas prohibidas por las que el UAV no podrá pasar, y que serán consideradas tanto en la planificación como en la replanificación mediante la generación de waypoints intermedios. En todo caso, se presta especial atención a la seguridad en detrimento de la optimalidad, debido a las restricciones del uso de UAVs en aplicaciones civiles. Las técnicas propuestas se han experimentado en el campo de vuelo de Bollullos, Sevilla (ver figura 6.1) Definición del problema En este trabajo se pretenden resolver dos casos en los que un UAV puede ayudar a la recolección de datos. En el primer caso la WSN está diseñada como una red de salto único. 42

4 En ese caso el UAV recoge los datos de los nodos y los transmite a la base usando el transmisor propio (figura 6.2 izquierda). En el segundo caso (figura 6.2 derecha), la WSN está diseñada como una red multisalto, pero debido a las restricciones del rango de transmisión de los nodos, algunos de ellos están desconectados de la base. El UAV puede ser enviado a recolectar datos de los nodos desconectados cuando esté en la posición 1 y enviar los datos a los nodos conectados a la base cuando llegue a la posición 2. En ambos casos es necesario determinar una trayectoria transitable para el UAV y cuestiones como las posiciones de los nodos, la densidad de los mismos, los perfiles de transmisión, modelo del UAV, perturbaciones del viento, etc. deben ser tenidas en cuenta. Los nodos pueden tener diferentes perfiles de transmisión, incluyendo la energía dedicada a la transmisión, ganancias de las antenas, modulaciones o protocolos de transmisión. Pueden estar equipados con un amplio rango de sensores dependiendo de la aplicación. Según los sensores usados pueden variar los requerimientos en consumo de energía o ancho de banda de transmisión. En nuestro caso, los nodos transmiten sus datos en respuesta a mensajes baliza enviados por el UAV. Asumiendo que los mensajes tienen tamaño fijo, los nodos con más datos para transmitir necesitan transmitir más mensajes. Si la densidad de nodos es alta, pueden producirse colisiones de mensajes, lo que degradaría el rendimiento. Hay por lo tanto restricciones a los números de mensajes que pueden enviarse por un mismo nodo al UAV, y a la cantidad recibida y almacenada en el UAV, dependiendo del equipo a bordo del mismo. Todos estos problemas se consideran resueltos en la primera parte del artículo [16]. La solución de esta parte del problema consiste en unos waypoints centrados en zonas de paso, por las que el UAV deberá pasar a baja altura. Estas zonas se consideran libres de obstáculos y optimizadas para la recepción de datos de los nodos, de modo que si el UAV pasa por todas las zonas de paso, la misión habrá sido cumplida. Existe un problema adicional que no se resuelve en el artículo y que también forma parte de la entrada de la segunda parte del problema que 43

5 abordaremos aquí. Se trata del orden de paso por cada waypoint. Este problema es de considerable complejidad, dado que se trata de un problema del viajero con restricciones (las cinemático-dinámicas del UAV, más las zonas prohibidas) y en el que los valores de las aristas del camino construido podrían tener distinto valor dependiendo del waypoint por el que se hubiera pasado anteriormente, puesto que las trayecorias del UAV siguiendo un waypoint dependen indirectamente de los dos waypoints anteriores. Además no se trata de resolver el camino más corto, sino el más fiable, cuestión difícil de medir a priori salvo por simulación. El objetivo de la segunda parte del problema, y que trataremos aquí en profundidad, es aumentar la probabilidad de que el UAV pase por todas las zonas indicadas, asegurando que no pasará por las zonas prohibidas. Las zonas de paso W Z 1,...,W Z i,...,w Z N seran dadas, sin pérdida de generalidad, como waypoints de paso con radios de acción. Las entradas del problema son, por lo tanto: Secuencia de waypoints de paso W 1,...,W i,...,w N. Radio de acción de cada waypoint r 1,...,r i,...,r N. Conjunto de Zonas prohibidasf Z 1,...,F Z i,...,f Z M. Condiciones iniciales del UAV. Con esta información, más los respectivos modelos del UAV y de la atmósfera, el objetivo es conseguir una secuencia de waypoints mejorada, que al seguirla haga que la probabilidad de que el UAV pase por las zonas de paso aumente y que la probabilidad de que se atraviesen zonas prohibidas sea prácticamente nula Generación de waypoints intermedios La figura 6.3 muestra el esquema básico del método propuesto. Itera analizando segmentos entre zonas de paso consecutivas (W Z i, W Z i+1 ): el UAV vuela del centro de una zona de paso W i, al centro de la zona de 44

6 Figura 6.2: Esquema de las misiones típicas que se pretenden resolver. Figura 6.3: Diagrama de flujo de la generación y selección de waypoints intermedios. paso siguiente, W i+1. El método basado en el filtro de partículas obtiene una estimación del nivel de seguridad (no pasar por zona prohibida) y adecuación (pasar por zona de paso) de la trayectoria estimada. En un caso general, la trayectoria no satisface los requisitos de seguridad y adecuación. La solución adoptada es añadir waypoints intermedios entre W i y W i+1 para asegurar que esos requisitos se satisfacen. La salida del sistema en cada iteración es, por lo tanto, un waypoint intermedio W int que asegura que la trayectoria entre W Z i y W Z i+i satisface los requisitos de seguridad, y los de adecuación para el paso por la zona W Z i+i. Una vez que este waypoint es determinado, se actualiza la lista de waypoints y se analiza el siguiente segmento 45

7 Figura 6.4: Cálculo de P W Z (izquierda) y de P F Z (derecha) Para calcular la estimación del nivel de seguridad y adecuación en cada segemento, se utiliza al filtro de partículas de forma parecida a como se usó en [14]. Se realizan por tanto tantas predicciones como particulas en el filtro, de modo que se pueda calcular la probabilidad de paso por una zona contando el número de partículas u observando el peso de las mismas que han pasado por esa zona. La relación con el total de partículas o la suma total de pesos, nos da la probabilidad de paso. Llamamos a la probabilidad de que la trayectoria predicha pase por la zona W Z i como Probabilidad de Zona de Paso por W Z i, y la denotaremos como P W Z,i. P W Z,i se calcula tomando cada partícula del conjunto en el momento en que más cerca se encuentren del waypoint al que se dirige actualmente el UAV. En la figura 6.4izquierda, puede observarse un esquema en el que cada partícula se muestrea en un instante diferente generalmente, en el cual cada partícula está en su punto más cercano al waypoint W i. Con esa muestra, calcular P W Z,i es tan sencillo como sumar los pesos de cada partícula dentro de la circunferencia. Además se pueden extraer otros datos interesantes como los histogramas de distancia al waypoint que podrán verse más adelante. Una trayectoria se considera adecuada si P W Z,i P W Z,MIN i Por otro lado, la probabilidad de que un UAV pase por una zona prohibida F Z i se calcula del mismo modo (véase 6.4derecha) denotándose como P F Z,i. Una trayectoria se considera segura si P F Z,i P F Z,MAX i La figura 6.5 muestra el funcionamiento del bloque de generación del waypoint intermedio. Su objetivo es asegurar que la trayectoria entre las zonas (W Z i, W Z i+1 ) es segura y apropiada. Como puede observarse, el filtro de partículas, basado en el usado en [14], realiza predicciones del 46

8 Figura 6.5: Funcionamiento interno del bloque de generación de waypoint intermedios. El filtro de partículas realiza predicciones que ayudan a la evaluación de los waypoints comportamiento del UAV para una serie de waypoints alternativos entre W i y W i+1. El primer módulo genera N waypoints alternativos intermedios a lo largo de la mediatriz del segmento que une W i y W i+1 (ver figura 6.6. El filtro de partículas estima las trayectorias usando dichos waypoints, y por último se evalúan la Probabilidad de Zona de Paso P W Z,i+1 y la Probabilidad de Zona Prohibida, P F Z,n con cada zona prohibida. El módulo de evaluación selecciona el waypoint intermedio más apropiado. Se descartan las trayectorias inseguras ( P F Z P F Z,MAX ) y las inapropiadas (P W Z,i+1 P W Z,MIN ). Si varias trayectorias satisfacen ambas restricciones, se estima la dispersión de las partículas y la trayectoria con menor dispersión es elegida. Pueden usarse otros estadistos como la media de la distancia de paso al waypoint. Si ninguna de las trayetorias cumple las especificaciones, se generan nuevos waypoints en la mediatriz del segmento que une los waypoints, cada vez más lejanos. Hay que tener en cuenta que este algoritmo de planificación no es completo y puede no encontrar solución habiéndola. Sin embargo en los casos probados, cercanos a la realidad, en los que los obstáculos son escasos, no presenta problemas. Un ejemplo claro del funcionamiento del bloque de generación del waypoint intermedio se muestra en la figura 6.6. Se generan cinco waypoints intermedios alternativos (W int1 W int5 ), y se predicen sus posibles trayectorias. Las treayectorias 2 y 3 se consideran inseguras por tener valores de P F Z, n demasiado altos. Las trayectorias 4 y 5 son seguras pero inapropiadas por tener valores P W Z,i+1 menores de P W Z,MIN = 95 %. Sólo la trayectoria 1 es segura y apropiada, por lo que no se generan más waypoints 47

9 Figura 6.6: Esquema de ejemplo de generación y selección de waypoints intermedios. y se elige W int1, que será incluido en la secuencia de waypoints del plan de vuelo Resultados Se han realizado diferentes simulaciones del sistema completo en las que se han obtenido resultados prometedores. En este apartado mostraremos el desempeño en uno de estos escenarios simulados. En la figura 6.7 se observa la salida de la primera parte del sistema (ver [16]), en la que a partir de un conjunto de WSN dispersos en un escenario de unos 13,000m 2 se obtienen waypoints de paso por los que el UAV debería pasar para recoger datos de los nodos. Además de estos waypoints, se dispone de los radios máximos a partir de los cuales alguno de los nodos de cada cluster podría no estar en el rango de comunicaciones. La figura 6.8 ilustra el funcionamiento del bloque de generación del waypoint intermedio para el segmento entre el punto de inicio y el primer waypoint (W Z 1 en la figura 6.10). Genera 2 waypoints intermedios alternativos, y el filtro de partículas estima las correspondientes trayectorias 48

10 Figura 6.7: Clusters de nodos WSN generados en la primera fase (ver [16]). Los cuadrados rojos son waypoints W i, las circunferencias rojas son obstáculos 49

11 Figura 6.8: Ejemplo de la información obtenida mediante el filtro de partículas que podrá usarse para la evaluación del candidato a waypoint intermedio probables (figura 6.8 arriba). Las tres trayectorias son seguras, con P F Z = 0, debido a la ausencia de zonas prohibidas en las cercanías. La figura 6.8 abajo representa la distribución de distancias del conjunto de partículas al centro de la zona de paso, W Z 1, para los tres casos. Las trayectorias no pasan por la circunferencia roja, de 15m de radio en este caso, no entran en la zona de paso y no se cuentan en el cálculo de P W Z,1, por lo que sólo la trayectoria 2 satisface, con P W Z,1 = 99,8 % cumple P W Z,1 > P W Z,MIN = 95 %. Las trayectorias 1 y 3 son, por lo tanto, inapropiadas. La figura 6.9 describe una situación en la que las partículas siguen dos trayectorias alternativas entre W Z i y W Z i+1. Ambas soluciones satisfacen el modelo del UAV y las condiciones atmosféricas. Debido al enfoque probabilístico, cada partícula se ve afectada por diferentes valores de los factores en los que afecta la incertidumbre, y algunas partículas siguen la trayectoria 1, mientras que otras del mismo conjunto siguen la trayectoria 2. En estos casos, y más especialmente cuando la trayectoria es divergente, un EKF no sería capaz de estimar de forma apropiada la distribución posterior del estado del UAV. Ambas trayectorias resultan ser seguras y apropiadas, como puede observarse en el histograma de la figura 6.9derecha, donde P W Z = 99,8. Este efecto puede observarse en una trayectoria completa en la figura 6.10, entre los waypoints W Z 6 y W Z int6. Cuando el bloque de generación del waypoint intermedio se aplica en línea para una secuencia de waypoints completa, el filtro de partículas usa 50

12 Figura 6.9: Ejemplo de caso en el que existen dos modas en la función de distribución de los estados que pretende estimar el filtro. El histograma de distancias al waypoint resultante no presenta dos modas pero es claramente no Gaussiano. la información de las medidas tomadas por el UAV y decide si es necesario un resampleo cuando el UAV se encuentra en las cercanías de cada waypoint intermedio. De esta manera se aprovecha la infromación de las medidas para reducir la incertidumre. En la figure 6.10 se muestra el resultado de aplicar este método con 500 partículas y un vector de viento gaussiano con media y desviación típicas ρ = (2, 0, 0)m/s y σ = (1, 1, 0)m/s, respectivamente. Las zonas de paso son las correspondientes a las de la figura 6.7, y se representan mediante circunferencias con cruces rojas en sus centros. Los waypoints intermedios se representan mediante cruces negras, y las zonas prohibidas mediante círculos rojos. En esta simulación, la máxima probabilidad de entrada en zonas prohibidas es 0, lo cual implica que ninguna partícula debe entrar en ninguna zona prohibida. En la tabla de la figura 6.11 se muestra que los requisitos de probabilidad de zona de paso mayor del 95 % también se satisfacen. Por último, se utilizó el método de generación de waypoints intermedios offline para mejorar una trayectoria real de vuelo en el campo de vuelo de Bollulos, Sevilla. En la figura 6.12 puede observarse la clusterización de 28 nodos desplegados en el campo de vuelo, y su correspondiente clusterización usando las técnicas explicadas en [16]. Usando estos waypoints se realizaron vuelos en los que los resultados no eran apropiados, puesto que las distancia a los waypoints de paso superaban los límites al rango de comunicaciones 51

13 Figura 6.10: Solución a uno de los problemas de ejemplo probados, con dos obstáculos (círculos rojos) y una secuencia de once waypoints W Z n. Figura 6.11: Probabilidad de paso estimada para cada waypoint 52

14 Figura 6.12: 28 nodos WSN sobre el campo de bollullos (izquierda) y su correspondiente clusterización de los nodos(figura 6.13izquierda). Se aplicaron las técnicas mencionadas de generación de waypoints intermedios, obteniendo los resultados mostrados en la figura 6.13derecha. En este caso, al tratarse de una simulación offline, se sobredimensionaron las incertidumbres del viento y los sensores, y se relajaron las condiciones de probabilidad de zona de paso. Como puede observarse, la trayectoria mejoró considerablemente, consiguiéndose el paso por las cercanías de los waypoints a distancias dentro de los rangos de comunicaciones de los nodos. 53

15 CAPI TULO 6. MEJORA DE ALGORITMO DE PLANIFICACIO N DE TRAYECTORIAS PARA RECOLECCIO N DE DATOS EN UNA WSN Figura 6.13: A la izquierda, el vuelo antes de usar los waypoints intermedios. A la derecha, tras usar los waypoints intermedios (en verde) generados mediante la te cnica explicada en este apartado. En negro, la trayectoria real seguida. En gris, el conjunto de partı culas del filtro. 54