研究领域

课题组研究领域包括但不限于以下几个方向:

1 网络化感知系统与移动计算

随着计算机技术、网络通信技术以及控制技术的快速发展,物理环境中出现越来越多带有感知、计算、通信、执行能力的传感器和智能移动设备(智能手机、智能手环等)。信息物理系统作为融合通信、计算、控制技术的复杂系统应运而生,并为信息空间和物理空间的集成与融合提供有效的协同作用方式和优化设计方法。以传感器网络和群智感知网络为基础的网络感知系统是信息物理系统的基本组成部分,它能实现对物理世界信息的采集,传输,处理与分析,利用网络感知系统进行信息收集是实现物理与信息世界融合的基础与前提。

物理世界中广域分布的时空数据在某个未知的变换空间中隐藏的内在联系往往被模拟数据采集基石—香农-奈奎斯特采样定理所忽略。该定理规定只有2倍频以上速率采样才能高保真重构模拟信号,使得信息获取的效率十分有限。针对物理世界中普遍存在的时空数据稀疏特性及矩阵低秩结构特性,研究基于信号结构特性的高能效、高精度、高可靠的信息感知、传输和处理方法,提高信息物理系统的效率、实时性、可靠性和鲁棒性。主要包括:

  • 时空信号稀疏采样方法
  • 不可靠通信链路的高效信息传输
  • 多感知节点传输数据的信道接入控制(Medium Access Control, MAC)
  • 簇型、星型和阵列等典型结构稀疏数据综合采集与传输
  • 移动群智感知网络任务分配、用户选择及激励机制
参考文献:
  1. L. Xu, X. Hao, N. D. Lane, X. Liu, and T. Moscibroda, “Cost-aware compressive sensing for networked sensing systems,” in Proceedings of the 14th International Conference on Information Processing in Sensor Networks. ACM, 2015, pp. 130–141.
  2. B. Bordel, R. Alcarria, T. Robles, and D. Martín, “Cyber–physical systems: Extending pervasive sensing from control theory to the Internet of Things,” Pervasive and Mobile Computing , vol. 40, pp. 156-184, 2017.
  3. Z. Qin, J. Fan, Y. Liu, Y. Gao, and G. Y. Li , “Sparse representation for wireless communications: A compressive sensing approach,”  IEEE Signal Processing Magazine, vol. 35, no. 3, pp. 40-58, 2018.
  4. K. Xie, X. Ning, X. Wang, D. Xie, J. Cao, G. Xie, and J. Wen, “Recover Corrupted Data in Sensor Networks: A Matrix Completion Solution,” IEEE Transactions on Mobile Computing, vol. 16, no. 5, 2017.
  5. B. Guo, Y. Liu, W. Wu, Z. Yu, and Q. Han, “ActiveCrowd: A Framework for Optimized Multitask Allocation in Mobile Crowdsensing Systems,” IEEE Transactions on Human-Machine Systems, vol. 47, no. 3, 2017.
  6. J. Lin, D. Yang, M. Li, J. Xu, and G. Xue, “Frameworks for Privacy-Preserving Mobile Crowdsensing Incentive Mechanisms,” IEEE Transactions on Mobile Computing, 2017.
  7. J. Ni, K. Zhang, Y. Yu, and X. Lin, “Providing Task Allocation and Secure Deduplication for Mobile Crowdsensing via Fog Computing,” IEEE Transactions on Dependable and Secure Computing, 2018.
2 智能终端亚米级室内定位
位置信息是万物互联、人工智能和未来超智能(机器人+人类)应用的核心技术之一,在日趋复杂、大型的建筑环境下,精确的位置与空间信息日益成为人们生活、出行与生产等活动的基础。尽管GNSS定位技术日益成熟,已经广泛应用人们室外的日常生活,强衰减、强多径、强遮挡等不利因素导致其在复杂大型建筑空间内无能为力,完整的室内外定位与导航还差最后一段。智能手机等寻梦发展和普及,室内周围环境的WiFi, 蓝牙,LED,地磁各种信号和智能手机内置的声波、惯导等各种传感器以及BIM等环境地理信息,使智能手机具备的一定室内定位功能,有望成为室内定位最有价值的技术。但是廉价的智能手机感知模块和复杂、时变的环境信息,以及盲人等视力有缺陷人士特别渴望亚米级精度的室内定位服务,对智能手机等仍然存在很多挑战。
针对复杂室内环境的亚米级智能手机定位,研究室内外一体化多感知融合方案、数据质量提升和场景自适应等方案,使智能手机尽快实现亚米级精度的室内定位功能。包括,室内复杂环境中的高精度信号时延估计;非视距定位及不可靠测距数据追踪;面向微秒级室内授时的GNSS优化方法;基于北斗信号的共生广播技术;基于信号反演和回波特性的同时定位与地图构建-Echo SLAM;室内外定位切换与室内外集成定位服务。
参考文献:
  1. Luca R, Philip J. B. Jackson, Philip C, and Wenwu W, et al. Acoustic Reflector Localization: Novel Image Source Reversion and Direct Localization Methods [J]. IEEE/ACM Transactions on Audio Speech & Language Processing, 2017, 25(2):296-309.
  2. He S, Chan S H G. Wi-Fi Fingerprint-Based Indoor Positioning: Recent Advances and Comparisons[J]. IEEE Communications Surveys & Tutorials, 2017, 18(1):466-490.
  3. Khalajmehrabadi A, Gatsis N, Akopian D. Structured Group Sparsity: A Novel Indoor WLAN Localization, Outlier Detection, and Radio Map Interpolation Scheme[J]. IEEE Transactions on Vehicular Technology, 2017, PP(99):1-1.
  4. He W, Ho P H, Tapolcai J. Beacon Deployment for Unambiguous Positioning[J]. IEEE Internet of Things Journal, 2017, PP(99):1-1.
  5. Ureña J, Álvaro Hernández, García J J, et al. Acoustic Local Positioning With Encoded Emission Beacons[J]. Proceedings of the IEEE, PP(99):1-21.
  6. Huang W, Li X Y, Xiong Y, et al. Stride-in-the-loop Relative Positioning Between Users and Dummy Acoustic Speakers[J]. IEEE Journal on Selected Areas in Communications, 2017, PP(99):1-1.
  7. Liu K, Liu X, Li X. Guoguo: Enabling Fine-Grained Smartphone Localization via Acoustic Anchors[J]. IEEE Transactions on Mobile Computing, 2016, 15(5):1144-1156.
  8. Aguilera T, Alvarez F J, Gualda D, et al. Multipath Compensation Algorithm for TDMA-Based Ultrasonic Local Positioning Systems[J]. IEEE Transactions on Instrumentation & Measurement, 2018:1-8.
3 无设备无线传感人体行为感知

随着AI技术的发展、智能设备的普及以及无线网络技术的进步,人们更多地需要享受着个性化定制化服务带来的便利,而这样的便利来自于对个人行为数据(存在、位置、运动、活动和姿势)的有效采集和利用,人体行为感知方面的研究正是在这样的背景下不断涌现和推进。在健康医疗、智慧家庭、娱乐休闲等众多领域,行为感知与识别技术表现出了极大的发展潜力与使用价值。

目前,不但智能终端(智能手机等)和可穿戴式设备通过人自身的信号参数变化,可以进行人体行为感知与识别,新兴无设备无线传感(DFWS)也可以通过感知人体动作时引起周围环境无线信号的变化,对人体行为感知与识别。不管我们在哪里,在我们周围几乎都有不可避免地被无线信号围绕着,例如WiFi、3G/4G、FM和电视等等。人在无线网络部署区域内以可预测方式影响无线信号,这使得通过分析无线信号模式和特性,使其能够感知人类状态。与其他最先进的传感技术,如摄像机和可穿戴传感器相比,DFWS不需要专门部署的感测设备,可以在烟雾或黑暗条件下工作,并且不会导致隐私泄漏。
DFWS的各种优点使其成为普适感知应用的理想技术,而且其能够增强传统无线网络感知周围环境的能力,它最终可以将无线网络演化为智能感知网络,可以感知网络部署区域内的人类周围环境信息和人的行为动作。DFWS人体行为感知已经成为当前的具有重要研究意义与价值的工作。
但是目前还存在着许多技术难点,如感知数据有效去噪、感知设备布置、多人干扰下个体精确感知、异构个体行为模型适应性等。
参考文献:
  1. Wang J, Gao Q, Pxingwan M, et al. Device-Free Wireless Sensing: Challenges, Opportunities, and Applications[J]. IEEE Network, 2018, PP(99):1-6.
  2. Bulling A, Blanke U, Schiele B. A tutorial on human activity recognition using body-worn inertial sensors[J]. Acm Computing Surveys, 2014, 46(3):1-33.
  3. Yao L, Sheng Q Z, Li X, et al. Compressive Representation for Device-Free Activity Recognition with Passive RFID Signal Strength[J]. IEEE Transactions on Mobile Computing, 2018, 17(2):293-306.
  4. Savazzi S, Sigg S, Nicoli M, et al. Device-Free Radio Vision for Assisted Living: Leveraging wireless channel quality information for human sensing[J]. IEEE Signal Processing Magazine, 2016, 33(2):45-58.
  5. Kianoush S, Savazzi S, Vicentini F, et al. Device-Free RF Human Body Fall Detection and Localization in Industrial Workplaces[J]. IEEE Internet of Things Journal, 2017, 4(2):351-362.
  6. Rokni S A, Ghasemzadeh H. Autonomous Training of Activity Recognition Algorithms in Mobile Sensors: A Transfer Learning Approach in Context-Invariant Views[J]. IEEE Transactions on Mobile Computing, 2018, PP(99):1-1.
  7. Wang X, Yang C, Mao S. TensorBeat: Tensor Decomposition for Monitoring Multi-Person Breathing Beats with Commodity WiFi[J]. Acm Transactions on Intelligent Systems & Technology, 2017, 9(1).
4 深度学习与智能终端
在相对较短时间内,深度学习原理和算法已经彻底改变了数据处理、建模和解释方法。深度学习在极具潜力的无人自主系统(自主汽车和无人机)学习能力上,尤其在自主控制算法(例如,深度加强学习)开发中已经证明其关键作用,而且多年来一直公认其在智能终端(如智能手机、手表和嵌入式传感器等移动和嵌入式系统)的判断能力(语音、对象和人脸识别)方面最先进的。深度学习将在智能终端的发展中发挥重要作用,然而深度学习在智能终端的研究与应用刚刚开始。智能终端的特点——有限的计算、储存等资源,我们需要掌握如何在简单、有效地在受约束计算平台内融合好当前和未来的深度学习成果。
由于需要支持各种感知系统的不同推理需求,深度神经网络研究一致处于热潮中,这将有助于情景感知建模和活动识别在智能终端上的实现方面产生根本性改进。当前,在智能终端上运行深度学习,由于受制于有限的资源导致其运行效率很差。由于最初为深度学习所设计的表示模型和推理算法没有充分考虑资源受限,因此直接应用于智能终端平台,学习的优势很容易被受限资源所淹没。例如,深度网络通常包含数百层互连节点,并且从单帧感知数据执行单个分类可能需要对潜在数以亿计的参数进行计算。
为了应对这一资源壁垒,近期对移动和嵌入式平台进行资源高效的深度学习的研究激增。智能终端应用通常需要来自传感器的时间序列输入,往往存在多种传感器噪声模式和异构用户行为,对于资源受限的智能终端设备,其可靠推理是一个难以克服的问题。需要提供一种通用、基于深度学习框架来解决了噪声和特征挑战,实现可靠的信号估计和分类,以便能够适应广泛的应用。针对无人系统环境感知与推理、异构人类活动识别以及生物特征运动分析三类典型应用,以能耗和延迟为评价指标,并且在智能手机和嵌入式设备上寻找有效的深度感知实现方式。针对典型感知并发卷积和递归神经网络,利用相似的智能终端传感器之间局部相互作用,将不同感知模块的局部相互作用合并成全局交互,并提取时域关系对信号动力学进行建模。进一步,把深度学习引入到边缘计算环境中。由于现有的边缘节点——智能终端具有有限的处理能力,需要设计了一种新的边缘计算负载调度优化策略,来综合优化云计算、边缘计算和智能终端特点,提高深度学习应用性能。
参考文献:
  1. Li H, Ota K, Dong M. Learning IoT in Edge: Deep Learning for the Internet of Things with Edge Computing[J]. IEEE Network, 2018, 32(1):96-101.
  2. Verhelst M, Moons B. Embedded Deep Neural Network Processing: Algorithmic and Processor Techniques Bring Deep Learning to IoT and Edge Devices[J]. IEEE Solid-State Circuits Magazine, 2017, 9(4):55-65.
  3. Mach P, Becvar Z. Mobile Edge Computing: A Survey on Architecture and Computation Offloading[J]. IEEE Communications Surveys & Tutorials, 2017, PP(99):1-1.
  4. Yao S, Hu S, Zhao Y, et al. DeepSense: A Unified Deep Learning Framework for Time-Series Mobile Sensing Data Processing[C]. 2016,26th International Conference on World Wide Web,351-360.
  5. Shuochao Yao, Yiran Zhao, Aston Zhang, et al. DeepIoT: Compressing Deep Neural Network Structures for Sensing Systems with a Compressor-Critic Framework[C].   ACM Conference on Embedded Networked Sensor Systems,SenSys 2017.
  6. Song M, Zhong K, Zhang J, et al. In-Situ AI: Towards Autonomous and Incremental Deep Learning for IoT Systems[C]// IEEE International Symposium on High PERFORMANCE Computer Architecture. IEEE Computer Society, 2018:92-103.
  7. Luong N C, Xiong Z, Wang P, et al. Optimal Auction For Edge Computing Resource Management in Mobile Blockchain Networks: A Deep Learning Approach[J]. 2017.
  8. Morshed A, Jayaraman P P, Sellis T, et al. Deep Osmosis: Holistic Distributed Deep Learning in Osmotic Computing[J]. IEEE Cloud Computing, 2018, 4(6):22-32.
5 时空大数据挖掘与服务
大数据时代下面向信息分析的数据挖掘技术快速发展,同时利用移动通信和传感设备等位置感知技术将人和事物的地理位置数据化,可以为用户提供了更为综合、智能的基于位置信息的大数据服务。数据来源多样并且复杂,可以通过 GPS 定位器、手机服务、通信基站、信用卡、公交卡等,也包括射频识别、图像识别技术、卫星遥感和社交媒体数据等不同方式来获取。
为了通过不同的移动对象获得代表性路径或公共倾向行为,需要将相似轨迹聚合作为集群,一般的聚类方法是利用一个特征向量代表一条轨迹,通过它们之间的特征向量距离来确定其相似性。轨迹数据聚类的关键在于:根据时空数据特征,设计与定义不同轨迹数据之间的相似性度量,包括:基于时间维度的相似聚类,侧重于整个轨迹特征的相似性聚类,局部多子轨迹聚类,局部单子轨迹聚类和轨迹点聚类。
到目前为止,传统的基于轨迹点或轨迹相似性的研究已经比较完善,因此研究人员对于轨迹数据聚类从场景上来说主要从语义轨迹聚类,基于路网匹配聚类方面进行研究,以及位置隐私位置服务。针对位置服务的隐私保护技术可分为三类:基于启发式隐私度量、基于概率推测以及基于信息检索的位置隐私保护技术。

参考文献:

  1. Feng Z, Zhu Y. A Survey on Trajectory Data Mining: Techniques and Applications[J]. IEEE Access, 2017, 4:2056-2067.
  2. Mazimpaka J D, Timpf S. Trajectory data mining: A review of methods and applications[J]. Journal of Spatial Information Science, 2016, 13(2016):61–99.
  3. Zheng Y. Trajectory data mining: an overview. ACM Trans Intell Syst Technol 6(3):1–41,2015.
  4. Shang S, Chen L, Wei Z, et al. Collective Travel Planning in Spatial Networks[J]. IEEE Transactions on Knowledge & Data Engineering, 2016, 28(5):1132-1146.
  5. Naserian E, Wang X, Dahal K, et al. Personalized location prediction for group travelers from spatial-temporal trajectories[J]. Future Generation Computer Systems, 2018.
  6. Yuan G, Sun P, Zhao J, et al. A review of moving object trajectory clustering algorithms[J]. Artificial Intelligence Review, 2017, 47(1):123-144.
  7. Ying J C, Lee W C, Tseng V S. Mining geographic-temporal-semantic patterns in trajectories for location prediction[M]. ACM Transactions on Intelligent Systems and Technology, 2013 , 5 (1) :1-33
  8. Chow C Y, Mokbel M F, Tian H. A Privacy-Preserving Location Monitoring System for Wireless Sensor Networks[M]. IEEE Educational Activities Department, 2015

6 位置信息与共享经济

在城市空间日趋紧张和工作节奏日趋加速的今天,共享单车、共享停车场等共享交通资源已经成为不可逆转的趋势。特别地,共享单车以绿色环保,高效共享方式解决了人们最后一公里出行问题,被老外称之为中国新四大发明之一。“随停随放”的自由所带来的方便”,使其在短短几年时间内渗透到各大城市,受到广大老百姓的喜爱。然而,自由和管理是一个对立的统一,当“随停随放”缺乏管理时,就变成了“乱停乱放”,不仅给管理者和他人带来极大的不方便,也给运营者带来极大的困扰。如何解决这个问题成了共享单车运营商和各地政府的难题,很多城市已经“简单粗暴”地限定规定共享单车的投放数量。

 

 

 

 

 

 

 

 

 

利用MEMS技术和人工智能领域最新成果,研究低成本、高精度定位技术,通过对共享单车进行精准定位实现共享单车在指定区域停车,既保障了“随停随放”又避免了 “乱停乱放”, 达到“堵”缺的目的。在获取共享单车精准位置的基础上,结合大数据分析、移动群体感知、统计决策等人工智能算法,对用户行为及目的地进行预测;对用户停车站点进行强推荐与弱推荐;对停车站的分布进行优化;对站点共享单车的存量进行动态优化;对区域站点的存量进行群控;达到“疏”导的目的。研究内容主要包括:

  • 基于位置信息与移动群体感知的流量预测及群体行为预测
  • 基于统计决策的区域存量动态群控
  • 基于最短路径及用户体验的停靠点优化技术
  • 基于流量数据的站点优化
  • 基于流量、用户行为及站点存量的潮汐控制