Percezione Attiva Probabilistica in Applicazione Multi-Sensore

In the recent years, the advances in high performance embedded microcontrollers, optimized signal processing techniques and reliable communication protocols have fostered the development of pervasive sensing technologies. By acquiring spatially distributed and information-rich data, pervasive sensing has become fundamental in several applications. In industrial settings it is used to predict failures, to reduce slowdowns, and to improve workers safety and energy efficiency; in urban scenarios pervasive sensing spots potential security threats, while in critical environments it enables continuous monitoring at previously inaccessible locations. In robotics, the aggregation of information from multiple spatially distributed sources allows the robot to learn faster, and to plan more robust and more adaptive strategies under dynamic and uncertain conditions. Recently, the research in machine learning and automatic controls has contributed to a new generation of smart pervasive sensors, where connected devices become autonomous. Smart sensors can decide how to gather data within a set of resource constraints; thus they represent a new frontier for data acquisition systems in a wide range of applications including agriculture, surveillance, post-disaster assessment, and manufacturing. The main research interest of this Thesis concerns Multi-Sensor Probabilistic Active Sensing. Active sensing schemes are responsible for the generation of control and optimization strategies in resource-constrained perception and data collection processes; hence, they are of paramount importance in the decision making process of smart devices. At the same time, probabilistic approaches accommodate for noisy sensors and unknown environments, while multi-sensor solutions introduce more accuracy, reactivity and robustness in intelligent operations like planning, learning, and reasoning. Furthermore, multi-sensor architectures allow to capture environmental properties that single-sensor counterparts usually miss. The main contribution of this Thesis is the development of a mathematical framework for multi-sensor probabilistic active sensing; the proposed scheme is modular and applicable for general active sensing tasks. Indeed, the formulation is derived in the context of active position estimation, but it is then validated under four distinct applications: active localization, active tracking, energy-constrained video surveillance, and connected vehicles. Extensive simulation and experimental studies have been conducted to evaluate the proposed approaches, examining the performance against original baselines. The main findings suggest that active sensing, coupled with Bayesian inference and information fusion, enables self-supervised learning techniques, allows to account for realistic perception uncertainties and unmodeled dynamics, and introduces faster, more accurate, and more robust estimation processes.

Negli ultimi anni, i numerosi progressi nel campo dei sistemi embedded ad alte prestazioni, l’ottimizzazione delle tecniche di elaborazione dei segnali, e la maggiore affidabilità nei sistemi di comunicazione, hanno portato allo sviluppo di tecnologie di sensoristica pervasiva. Tramite l’acquisizione di dati spazialmente distribuiti e ricchi di informazioni, la sensoristica pervasiva è diventata fondamentale in diverse applicazioni. In ambito industriale viene utilizzata per prevedere guasti, ridurre i rallentamenti e migliorare la sicurezza dei lavoratori e l’efficienza energetica; negli scenari urbani la sensoristica pervasiva individua potenziali minacce alla sicurezza, mentre in ambienti critici consente il monitoraggio continuo in luoghi precedentemente inaccessibili. Nella robotica l’aggregazione di informazioni provenienti da più fonti spazialmente distribuite, consente ai robot di apprendere più velocemente e di pianificare strategie di movimento più robuste e più adattive, anche all’interno di ambienti variabili e poco noti. Recentemente, la ricerca nel settore del machine learning e dei controlli automatici ha favorito lo sviluppo di una nuova generazione di sistemi di sensoristica intelligenti, in cui i sensori, oltre ad essere connessi tra di loro, diventano autonomi. Essi possono infatti prendere decisioni sul processo di raccolta dati, nel rispetto delle risorse a disposizione. Per questo motivo, le tecnologie di sensoristica intelligente rappresentano oggi una nuova frontiera per i sistemi di acquisizione dati in numerose applicazioni tra cui l’agricoltura, la videosorveglianza, il monitoraggio in ambienti critici, e nel campo manifatturiero. Questa Tesi è dedicata alle tecniche di sensoristica attiva probabilistica e multi-sensoriale. La percezione attiva si occupa di generare strategie di controllo e di ottimizzazione nei confronti del processo di raccolta dati e sulla base delle risorse a disposizione; per questo motivo, essa è fondamentale nel processo decisionale dei sistemi di sensoristica intelligente. Allo stesso tempo, gli approcci probabilistici possono operare in presenza di sensori rumorosi e ambienti sconosciuti, mentre le soluzioni multi-sensore introducono maggiore precisione, reattività e robustezza in fase di pianificazione ed apprendimento. Inoltre, le architetture multi-sensore consentono di catturare proprietà ambientali che le controparti a sensore singolo non riescono a cogliere. Il contributo principale di questa Tesi risiede nello sviluppo di un framework matematico per la percezione attiva probabilistica e multi-sensore; lo schema proposto è modulare e applicabile in diversi ambiti legati alla sensoristica attiva. La formulazione viene dapprima proposta nel contesto della stima di posizione attiva, e viene poi convalidata in quattro applicazioni distinte: localizzazione attiva, tracciamento attivo, videosorveglianza con vincoli di energia, e veicoli connessi. Al fine di valutare gli approcci proposti, sono stati condotti ampi studi sia numerici che sperimentali; in particolare, le performance sono state confrontate con delle baseline di riferimento. I risultati principali mostrano che la percezione attiva, quando viene integrata con sistemi di inferenza Bayesiana e con tecniche di sensor fusion, consente di progettare metodi di apprendimento auto-supervisionato, di modellare le incertezze tipiche dei sistemi di percezione reali, e di introdurre maggiore rapidità, accuratezza e robustezza nei processi di stima.