CESense: Cost-Effective Urban Environment Sensing in Vehicular Sensor Networks 李静林 2020-06-26 14:50 No Comment 1073次浏览 >2019年发表在IEEE TITS上，针对基于车联网的城市状态感知的资源时空分布不均匀问题，提出了一种利用感知数据间的时空相关性，及人车协同行为时空规律性，通过对未感知区域的缺失数据进行可靠预测，实现感知任务的有效部署，以完成对全局环境状态高效准确的重建。 [TOC] # **论文摘要** 车辆拥有的丰富感知能力可以通过车联网组织成车载传感器网络，从而对城市中的动态特征（如交通流、空气质量、气温等）进行监测，为智能驾驶、智能交通、智慧城市等提供数据基础。然而，数据的采集质量和分布将对最终生成的多维度高分辨率城市动态图像产生影响。由于人车协同行为的时空多样性，车载传感器网络中感知资源存在时空分布不均匀的现象：在感知资源分布密集和环境状态相关的时空区域，感知数据出现冗余，导致感知和通信开销大；而在感知资源分布稀疏的时空区域，感知数据出现缺失，导致感知质量差。目前，已有研究通常侧重于感知开销或感知质量中的单一方面，通过感知资源选择与调度降低感知开销，通过缺失感知数据预测提高感知质量，但两类研究难以有机结合以高效应对感知资源的时空分布不均匀问题。 为了应对车载传感器网络中感知资源时空分布不均匀的问题，并充分优化感知质量与效率，本文提出一种资源高效利用的城市环境感知方案CESense（Cost-Effective Urban Environment Sensing）。该方案利用感知数据间的时空相关性，仅在全域感知空间中选定部分区域部署感知任务，通过对未感知区域的缺失数据进行可靠预测，完成对全局环境状态高效准确的重建。 # **论文的核心算法** 论文基于车载传感器网络的资源高效利用的城市感知框架，如图所示：  首先，利用环境数据间的相关性来预测缺失数据。环境矩阵X可以被近似分解为区域特征矩阵U和感知周期特征矩阵V的乘积 $$ X\approx U^TV $$ 利用概率矩阵分解（Probabilistic Matrix Factorization，PMF）模型对环境矩阵X进行分解，PMF模型能通过梯度下降法进行高效训练，从而对模型的参数和超参数进行点估计。概率矩阵分解是一种矩阵补全方法，利用潜在特征，可以近似预测未感知单元的环境数据值 $$ X_{ij}\approx U_i^TV_j $$ 然后，利用互信息选择最重要的感知区域。矩阵分解可被认为是降低未感知区域环境数据不确定性的过程。信息论中的熵常被用于量化不确定性，我们首先使用边缘熵 $$ H(X_{C/S}) $$ 来表示未感知区域环境数据的不确定度，使用条件熵 $$ H(X_{C/S} | X_S) $$ 来表示获取部分感知数据后对未感知区域环境数据剩余的不确定度。然后，互信息 ```math I(X_S ; X_{C/S} ) =H(X_{C/S})-H(X_{C/S} | X_S) ``` 表示获取部分感知数据后，未感知区域环境数据不确定度的减少量。因此，最具信息量的感知区域可以最大程度地降低未感知区域环境数据的不确定度，也即最大化 ```math I( X_S ; X_{C/S} ) ``` 利用互信息的次模特性，可以使用近似算法来贪心地选择待感知区域。我们逐次选择待感知区域使互信息增益最大化。 最后，结合感知资源的分布，以批量方式将子任务分配到合适的时空单元。如果可以发掘感知资源的分布模式，我们就能够估计子任务的有效性。对于任一区域，假设车辆的到达服从泊松过程。由于无法提前确定是否能够从待感知区域获取感知数据，我们转而使用互信息的期望，即对于感知资源在待感知区域可用概率的期望。给定缺失数据预测方法和感知区域选择算法，收集的感知数据的数量会直接影响感知精度。由于环境数据在连续的感知周期不会产生剧烈变化，前一周期子任务数量会是当前周期子任务数量的一个较优估计。 # **对比分析** 为了论证算法的有效性，我们选择了如下三个对比试验： 1) ST-Interp：该方法对每个感知周期设置相同数量的子任务； 2) SVT：该方法使用与ST-Interp相同的方法来采集数据，但使用奇异值阈值SVT矩阵补全方法来最小化环境矩阵的核范数； 3) SiSense：该方法是CESense的简化版，它不区分待感知区域的重要性。 感知误差（PM10数据集）  累积感知开销（PM10数据集）  感知误差（NO2数据集）  累积感知开销（NO2数据集）  感知误差（PM10数据集）  累积感知开销（PM10数据集）  感知误差（NO2数据集）  累积感知开销（NO2数据集）  不同感知方案的性能比较表明，我们的方法感知精度最高，感知开销接近最低。 # **论文原文与实验代码** 论文引用：Quan Yuan, Haibo Zhou, Zhihan Liu, Jinglin Li, Fangchun Yang, and Xuemin Shen. CESense: Cost-Effective Urban Environment Sensing in Vehicular Sensor Networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(9):3235-3246. 论文索引号：000484207200004 论文原文：[10.1109/TITS.2018.2873112](https://doi.org/10.1109/TITS.2018.2873112 "10.1109/TITS.2018.2873112") 论文代码：[code](https://sicrc.cn/svn/achieve/papers/2019_CESense_Cost-Effective_Urban_Environment_Sensing_in_Vehicular_Sensor_Networks\algorithm)