As últimas pesquisas na área de Internet da Coisas (Internet of Things) - por Thiago Teixeira - INRIA - França

1. Construindo a Internet das Coisas
Thiago Teixeira
Grupo ARLES, INRIA Paris-Rocquencourt
22 de Agosto de 2011

2. Mini Biografia
Brazil USA from here on, all degrees are in Electrical Engineering France
Johns Hopkins University Yale University INRIA
Post. Doc.
M.S. Ph.D. other
B.S. in Electrical Engineering M.S.E. M.Phil. doctorate
B.A. in Mathematics masters
bachelors
time
1999 2003 2005 2007 2010
• Johns Hopkins: Gradua¸˜o, Mestrado (1999–2005)
ca
• Sensory Comm. & Microsystems Lab
• Orientador: Andreas Andreou
• Tese: “Address-Event Imaging Algorithms and their TinyOS
implementation for Wireless Sensor Networks”
Thiago Teixeira 1 / 29

3. Mini Biografia
Brazil USA from here on, all degrees are in Electrical Engineering France
Johns Hopkins University Yale University INRIA
Post. Doc.
M.S. Ph.D. other
B.S. in Electrical Engineering M.S.E. M.Phil. doctorate
B.A. in Mathematics masters
bachelors
time
1999 2003 2005 2007 2010
• Yale: Mestrado, Doutorado (2005–2010)
• Embedded Networks & Applications Lab (ENALAB)
• Orientador: Andreas Savvides
• Disserta¸˜o: “A Sensor-Fusion System to Detect, Track, and Identify
ca
People in Realistic Scenarios”
Thiago Teixeira 1 / 29

4. Mini Biografia
Brazil USA from here on, all degrees are in Electrical Engineering France
Johns Hopkins University Yale University INRIA
Post. Doc.
M.S. Ph.D. other
B.S. in Electrical Engineering M.S.E. M.Phil. doctorate
B.A. in Mathematics masters
bachelors
time
1999 2003 2005 2007 2010
• INRIA Paris-Rocquencourt: P´s-doutorado (2010–presente)
o
• Architecture Logicielles et Syst`mes Distribu´s (ARLES)
e e
• Pesquisadora chefe: Val´rie Issarny
e
• Foco: Um middleware para fus˜o autom´tica de sensores na Internet
a a
das Coisas
Thiago Teixeira 1 / 29

5. ´
Area de Pesquisa
• Antes: Sistemas embarcados e sensores para ambientes inteligentes
• Agora: Middleware (para a IoT)
• Informa¸˜es do mundo f´
co ısico ser˜o centrais aos sistemas de
a
computadores futuros
(Hoje: servi¸os baseados em localiza¸˜o, redes sociais, geotagging, ...)
c ca
• Ambientes Inteligentes: Ambientes que n˜o s´ recebem comandos das
a o
pessoas, mas tamb´m reagem e colaboram com elas
e
• Aplica¸˜es:
co
• Tratamentos em casa
• Assistˆncia ` autonomia
e a
• Sa´de preventiva
u
• Seguran¸a no trabalho
c
• Entretenimento
• etc.
Thiago Teixeira 2 / 29

6. ´
Indice
Essa palestra se divide em duas partes:
• Uma Rede de Sensores Sem-Fio para Ambientes Inteligentes
• Desafios que envolvem o uso de sensores em ambientes reais
• A Internet das Coisas (Internet of Things, ou IoT)
• Quais s˜o os novos desafios da IoT?
a
• Esbo¸o de uma solu¸˜o: um Middleware para a IoT
c ca
Thiago Teixeira 3 / 29

7. Requisito para Ambientes Inteligentes: Sensoriamento de
Humanos
• O que ´ Sensoriamento de Humanos?
e
• Fazer uso de propriedades f´
ısicas...
emissivity
internal motion
scent
borrowed
voice properties
external
reflectivity shape gait motion
sound
environm.
properties
attenuation
vibration
weight
Static Traits Dynamic Traits Extrinsic Traits
Intrinsic Traits
Thiago Teixeira 4 / 29

8. Contact Sensors Chemosensors Doppler-Shift Sens.Cameras Inertial Sensors Motion Sensors
Pressure Sensors Wearable Inertial Sens. Seismic Sensors Pressure Sensors
Doppler-Shift Sensors Acoustic Sensors Wearable Inertial Sens.
Cameras
Photodetectors Breakbeam Sensors Thermal Imagers Thermal Imagers
Cameras Tomographic Sensors Ranging Sensors
Ranging Sensors EF Sensors Tomographic Sensors
Doppler-Shift Sensors
Wearable RFID Wearable Doppler-Shift Sens.
Wearable Ranging Sensors
Wearable Landmark Sensors
Requisito para Ambientes Inteligentes: Sensoriamento de
Humanos
• O que ´ Sensoriamento de Humanos?
e
• Fazer uso de propriedades f´ ısicas...
• ...para, atrav´s de sensores,...
e
Intrinsic Traits
Static Traits Dynamic Traits
Weight Shape Scent Internal Motion Gait Vibration External Motion
Reflectivity Attenuation Emissivity
Extrinsic Traits
Static Traits Dynamic Traits
Thiago Teixeira 4 / 29

9. Requisito para Ambientes Inteligentes: Sensoriamento de
Humanos
• O que ´ Sensoriamento de Humanos?
e
• Fazer uso de propriedades f´ ısicas...
• ...para, atrav´s de sensores,...
e
• ...detectar parˆmetros fundamentais
a
Observable Properties
Spatio-Temporal Properties Behavioral Properties Physiological Properties
Identity Group Behavior Blood Pressure
Temperature
Track Behavior
Weight Skin color
Location Activity Heart rate
etc...
Count Action
Presence Pose
Unobservable Properties
Thoughts Intentions Ideas etc...
Thiago Teixeira 4 / 29

10. O que se pode fazer com esses parˆmetros?
a
• Exemplo: Posi¸˜o de um paciente dentro de casa1
ca
1
Lymberopoulos, Teixeira, Savvides. “Detecting patterns for assisted living: A case study.”, SensorComm
2007
Thiago Teixeira 5 / 29

11. O que se pode fazer com esses parˆmetros?
a
• Exemplo: Posi¸˜o de um paciente dentro de casa1
ca
• ...de manh˜
a
Morning Routine
front bedroom
back bedroom
bath upstairs Leaving house
stairs top
Waking up, using
stairs bottom bathroom, going
front door downstairs
couch 3
couch 2 Preparing and eating breakfast
basement
bath downstairs
kitchen table
back door
stove
sink
fridge
20 4 0 00 :2
0 40 :0
0 2 0
3: 1: 0: 8 6: 35 3:
:5 :0 :1 :1 :2 : :4
06 07 07 07 07 07 07
1
Lymberopoulos, Teixeira, Savvides. “Detecting patterns for assisted living: A case study.”, SensorComm
2007
Thiago Teixeira 5 / 29

12. O que se pode fazer com esses parˆmetros?
a
• Exemplo: Posi¸˜o de um paciente dentro de casa1
ca
• ...ou no fim-de-semana
1
Lymberopoulos, Teixeira, Savvides. “Detecting patterns for assisted living: A case study.”, SensorComm
2007
Thiago Teixeira 5 / 29

13. O que se pode fazer com esses parˆmetros?
a
• Exemplo: Posi¸˜o de um paciente dentro de casa1
ca
• ...ou v´rias semanas
a
• Podemos descobrir se o paciente reagiu positivamente a um novo
medicamento?
1
Lymberopoulos, Teixeira, Savvides. “Detecting patterns for assisted living: A case study.”, SensorComm
2007
Thiago Teixeira 5 / 29

14. Desafios do Sensoriamento de Humanos
• Desafios fundamentais
• Ru´
ıdo
• Varia¸˜es ambientais
co
• Similaridade com o sinal de fundo
• Variabilidade na aparˆncia
e
• Imprevisibilidade de comportamento
• Similaridade entre pessoas
• Desafios pr´ticos
a
• Privacidade: sensores extraem informa¸˜es em excesso
co
• Em geral, toda modalidade de sensor por si s´ ´ insuficiente
oe
Thiago Teixeira 6 / 29

15. Compara¸˜o entre Modalidades de Sensores
ca
´
⇒ E necess´rio fazer a fus˜o de diversos sensores
a a
Thiago Teixeira 7 / 29

16. Disserta¸˜o: Extra¸˜o das 5 Propriedades
ca ca
Espa¸o-Temporais
c
ground truth
presence count location track identity
TRUE 3
information
Contribui¸˜es:
co
1. M´todo para Detectar, Contar, e Localizar pessoas sem uso de “fotos”
e
2. Fus˜o de Sensores para Rastrear e Identificar pessoas
a
Thiago Teixeira 8 / 29

17. Solu¸˜o, parte 1: Detec¸˜o, Contagem, Localiza¸˜o
ca ca ca
atrav´s de Cˆmeras Cegas
e a
y detected
person
x
local
maximum
• Cˆmeras bio-mim´ticas, incapazes de tirar fotos2
a e
• Cada pixel ´ um detector de padr˜es
e o likelihood
histogram
• Cada pixel pulsa ao detectar movimento
• Sem imagens a qualquer n´ ıvel (cˆmeras cegas)
a location
likelihood
• Estimador de m´xima verossimilhan¸a
a c mapping
⇒ Coordenadas de cada pessoa
• Leve, e de f´cil uso
a (etc...)
pixels
2
Teixeira et al., “Address-event imagers for sensor networks: Evaluation and modeling”, IEEE/ACM IPSN
2006
Thiago Teixeira 9 / 29

18. Solu¸˜o, parte 2: Rastreamento e Identifica¸˜o atrav´s da
ca ca e
3
Fus˜o de Sensores
a
• Cˆmeras: detectar, contar e localizar anonimamente
a
• Telefones: rastrear e identificar pessoas
coverage gap
wireless
access point
existing
cameras
mobile phones
3
Teixeira et al. “Tasking Networked CCTV Cameras and Mobile Phones to Identify and Localize Multiple
People”, ACM UbiComp 2010
Thiago Teixeira 10 / 29

19. Solu¸˜o, parte 2: Rastreamento e Identifica¸˜o atrav´s da
ca ca e
3
Fus˜o de Sensores
a
• Cˆmeras: detectar, contar e localizar anonimamente
a
• Telefones: rastrear e identificar pessoas
time k-2 time k-1 time k
motion motion motion
location location location
3
Teixeira et al. “Tasking Networked CCTV Cameras and Mobile Phones to Identify and Localize Multiple
People”, ACM UbiComp 2010
Thiago Teixeira 10 / 29

20. Fus˜o usando HMM, Identifica¸˜o usando AGB
a ca
John Paul George
xk
1 xk
2 xk
3
hidden state
observations
? ?
location
detections
from infrastructure yk
3 yk
1 yk
2
sensors
correspondence between x's and y's unknown
Thiago Teixeira 11 / 29

21. Fus˜o usando HMM, Identifica¸˜o usando AGB
a ca
John Paul George John Paul George
xk
1 xk
2 xk
3 xk
1 xk
2 xk
3
hidden state
observations inertial
zk
1 zk
2 zk
3
? ? measurements
from wearable
location sensors
detections yk
1 yk
2 yk
3
from infrastructure yk
3 yk
1 yk
2
sensors recover identity associations using
correspondence between x's and y's unknown the z's from wearable sensors
Thiago Teixeira 11 / 29

22. Fus˜o usando HMM, Identifica¸˜o usando AGB
a ca
John Paul George John Paul George
xk
1 xk
2 xk
3 xk
1 xk
2 xk
3
hidden state
observations inertial
zk
1 zk
2 zk
3
? ? measurements
from wearable
location sensors
detections yk
1 yk
2 yk
3
from infrastructure yk
3 yk
1 yk
2
sensors recover identity associations using
correspondence between x's and y's unknown the z's from wearable sensors
• O problema se reduz a um zk
1 yk
1
Acoplamento de Grafos
Bipartidos (AGB) zk
2 yk
2
zk
3 yk
3
bipartite graph
matching recovers
associations
Thiago Teixeira 11 / 29

23. Fus˜o usando HMM, Identifica¸˜o usando AGB
a ca
John Paul George John Paul George
xk
1 xk
2 xk
3 z k-2
3
xk-2
1 xx
2
k-2 xk-2
3
hidden state yk-2
2
observations
z k-1
3
? ? xk-1
1 xx
2
k-1 xk-1
3
yk-1
1
location
detections
from infrastructure yk
3 yk
1 yk
2
Each person
sensors xk
1 xk
2 xk
3
corresponds to
correspondence between x's and y's unknown a HMM
zk
1 zk
2 zk
3
• O problema se reduz a um
Acoplamento de Grafos yk
1 yk
2 yk
3
Bipartidos (AGB)
• Para os pesos, usar Modelo Oculto de Markov (MOM)
• Peso = verossimilhan¸a de que y and z originaram do mesmo x
c
Thiago Teixeira 11 / 29

24. O que isto quer dizer, matematicamente?
• Agrupar detec¸˜es em hip´teses de rastros:
co o
h j j j
θk = {y11 , y22 , · · · , ykk }
• Calcular verossimilhan¸a de cada hip´tese (usando MOM):
c o
j
L(θk , z1:k ) = max P (xi |xi )P (ykk |xi )P (zk |xi )P (xi
h i
k k−1 k
i
k
h i
1:k−1 , θk−1 , w1:k−1 )
xi
k
• Finalmente, identificar a melhor combina¸˜o de hip´teses (usando
ca o
AGB):
1 1 2 1 h 1
 
L(θk , zk ) L(θk , zk ) · · · L(θk , zk )
 1 2 2 2
L(θk , zk ) L(θk , zk ) · · · h 2
L(θk , zk ) 
 
 .
. .
. .. .
. 
 . . . . 
1 , z i ) L(θ 2 , z i ) · · ·
L(θk k h i
L(θk , zk )
k k
Thiago Teixeira 12 / 29

25. Resultados
• Exemplo de simula¸˜o, com 3 pessoas em uma ´rea de 10m × 10m:
ca a
stopping
stopping resolved
50 proximity 50 ambiguities
ambiguities resolved
40 40
time (s)
time (s)
30 30
20 20
initially
10 10 10 incorrect 10
output
resolved
5 5
0 2 0 2
4 6 4 6
8 0 8 0
simulation area in meters 10 simulation area in meters 10
Identification Accuracy
• Multiple-Object Tracking
1
Accuracy (MOTA):
accuracy (MOTA)
0.9
• Simula¸˜es (2–10
co
0.8
pessoas) simulation of ideal sensors (mean)
0.7
• Experimentos (2–4 simulation of non-ideal sensors (mean)
0.6 simulation of motion camera (mean)
pessoas, 4 cameras) experiment with motion camera (mean)
0.5
0 2 4 6 8 10 12
mean track length (s)
Thiago Teixeira 13 / 29

26. Ferramentas
• BehaviorScope Control Center / PySOS:
Thiago Teixeira 14 / 29

27. Ferramentas
• BehaviorScope Control Center / PySOS:
Thiago Teixeira 14 / 29

28. Portal
• BehaviorScope Web Portal:
Thiago Teixeira 15 / 29

29. Portal
• BehaviorScope Web Portal:
Thiago Teixeira 15 / 29

30. E, agora sim, chegamos ` Internet das Coisas
a
Thiago Teixeira 16 / 29

31. E, agora sim, chegamos ` Internet das Coisas
a
• O que s˜o coisas? S˜o ao mesmo tempo:
a a
• Objetos (do mundo real) com sensores e atuadores
• Servi¸os de software que extraem/inserem informa¸˜es no mundo real
c co
• Podem ser acessadas como servi¸os quaisquer
c
Thiago Teixeira 16 / 29

32. E, agora sim, chegamos ` Internet das Coisas
a
• O que s˜o coisas? S˜o ao mesmo tempo:
a a
• Objetos (do mundo real) com sensores e atuadores
• Servi¸os de software que extraem/inserem informa¸˜es no mundo real
c co
• Podem ser acessadas como servi¸os quaisquer
c
• Ent˜o o que muda?
a
Thiago Teixeira 16 / 29

33. Prova no. 1: Informa¸˜es de/para Humanos
co
• Considere a p´gina mais editada da Wikip´dia45 :
a e
• Editada 44320 vezes ≈ 12.8 edi¸˜es por dia
co
• P´gina m´dia na Wikip´dia: 19.21 edi¸˜es no total
a e e co
• S´ a ultima vers˜o ´ acessada → S´ um “ponto” da s´rie ´ essencial
o ´ a e o e e
4
http://en.wikipedia.org/wiki/Wikipedia:Database_reports/Pages_with_the_most_revisions
5
Fonte, WikiDashboard: http://wikidashboard.appspot.com
Thiago Teixeira 17 / 29

34. Prova no. 2: Informa¸˜es do Mundo F´
co ısico
• Compare com a posi¸˜o de uma pessoa em casa durante 30 dias:
ca
• Dados acima s˜o de 6 sensores somente!
a
• E ainda assim, s˜o 41700 pontos por dia!
a
• A informa¸˜o relevante se extende pelo tempo e pelo espa¸o!
ca c
Thiago Teixeira 18 / 29

35. Desafios da Internet das Coisas6
• Escala Massiva — bilh˜es de coisas, dados em m´ltiplas dimens˜es
o u o
• Profunda Heterogeneidade
— modelos diferentes, variabilidade de materiais, etc.
• Topologia desconhecida
• Disponibilidade desconhecida de dados
• Metadados incompletos ou errˆneos
o
• Conflitos multi-agente
6
Teixeira et al., “Service Oriented Middleware for the Internet of Things”, ServiceWave 2011
Thiago Teixeira 19 / 29

36. Desafios da Internet das Coisas6
• Escala Massiva — bilh˜es de coisas, dados em m´ltiplas dimens˜es
o u o
• Profunda Heterogeneidade
— modelos diferentes, variabilidade de materiais, etc.
• Topologia desconhecida
• Disponibilidade desconhecida de dados
• Metadados incompletos ou errˆneos
o
• Conflitos multi-agente
• Estes desafios j´ se revelam hoje — por´m em escalas muito menores!
a e
6
Teixeira et al., “Service Oriented Middleware for the Internet of Things”, ServiceWave 2011
Thiago Teixeira 19 / 29

37. Salvos pela F´
ısica!
• A IoT ´ f´
e ısica, e propriedades do mundo real s˜o altamente
a
correlacionadas, em grande parte cont´
ınuas no espa¸o/tempo, e
c
muitas vezes previs´
ıveis
• Armas em nosso arsenal:
• Aproxima¸˜es, estima¸˜es
co co
• Modelos probabil´
ısticos
• Composi¸˜es
co
⇒ Ou seja, tudo o que j´ ´ feito hoje por experts
ae
• Mas ` medida que a rede cresce, ser´ imposs´ contar com a
a a ıvel
interferˆncia manual de experts!
e
• Faltam ferramentas automatizadas para lidar com dimen¸˜es
co
espa¸o-temporais
c
Thiago Teixeira 20 / 29

38. Proposta: um Middleware para a IoT7
COMPOSITION & ESTIMATION KNOWLEDGE BASE
request domain ontology
application expansion
result estimation ontology
sensor
DISCOVERY mapping device ontology
actuator
actuator
INTERNET
optimization
processor
sensor
processor
execution
sensor
IoT MIDDLEWARE
• Trˆs blocos principais
e
1. Descoberta
2. Composi¸˜o e Estima¸˜o
ca ca
3. Base de Conhecimento (ontologias)
7
Teixeira et al., “Service Oriented Middleware for the Internet of Things”, ServiceWave 2011
Thiago Teixeira 21 / 29

39. Proposta: um Middleware para a IoT7
COMPOSITION & ESTIMATION KNOWLEDGE BASE
request domain ontology
application expansion
result estimation ontology
sensor
DISCOVERY mapping device ontology
actuator
actuator
INTERNET
optimization
processor
sensor
processor
execution
sensor
IoT MIDDLEWARE
• Trˆs id´ias principais
e e
1. Descoberta probabil´ıstica
2. Composi¸˜o aproximada
ca
3. Estima¸˜o autom´tica
ca a
7
Teixeira et al., “Service Oriented Middleware for the Internet of Things”, ServiceWave 2011
Thiago Teixeira 21 / 29

40. A Base de Conhecimentos
• Composta de trˆs ontologias:
e
• Ontologia do Dom´ ınio
Descreve conceitos f´
ısicos
• Ontologia de Dispositivos
Descreve sensores e atuadores
• Ontologia de Estima¸˜o
ca
Descreve modelos probabil´ ısticos, etc.
Thiago Teixeira 22 / 29

41. Composi¸˜o de Coisas
ca
Thiago Teixeira 23 / 29

42. Composi¸˜o Aproximada de Coisas
ca
• Espa¸o do problema ´ grande demais
c e
⇒ Composi¸˜o otimizada e exata ´ impratic´vel
ca e a
• Solu¸˜o: Composi¸˜o aproximada
ca ca
• Reduzir as respostas dos blocos de expans˜o e mapeamento
a
COMPOSITION & ESTIMATION KNOWLEDGE BASE
request domain ontology
application expansion
result estimation ontology
sensor
DISCOVERY mapping device ontology
actuator
actuator
INTERNET
optimization
processor
sensor
processor
execution
sensor
IoT MIDDLEWARE
Thiago Teixeira 24 / 29

43. Descoberta Probabil´
ıstica
• Como descobrir coisas dentre bilh˜es distribu´
o ıdas pelo mundo, com
restri¸˜es de mem´ria, processamento, e tempo?
co o
• Solu¸˜o: Incorporar aproxima¸˜es ao processo de descoberta
ca co
• Tanto no registro quanto na procura
Thiago Teixeira 25 / 29

44. Descoberta Probabil´
ıstica
• Como descobrir coisas dentre bilh˜es distribu´
o ıdas pelo mundo, com
restri¸˜es de mem´ria, processamento, e tempo?
co o
• Solu¸˜o: Incorporar aproxima¸˜es ao processo de descoberta
ca co
• Tanto no registro quanto na procura
• Exemplo de procura probabil´
ıstica:
Thiago Teixeira 25 / 29

45. Descoberta Probabil´
ıstica
• Como descobrir coisas dentre bilh˜es distribu´
o ıdas pelo mundo, com
restri¸˜es de mem´ria, processamento, e tempo?
co o
• Solu¸˜o: Incorporar aproxima¸˜es ao processo de descoberta
ca co
• Tanto no registro quanto na procura
• Exemplo de procura probabil´
ıstica:
Thiago Teixeira 25 / 29

46. Descoberta Probabil´
ıstica
• Como descobrir coisas dentre bilh˜es distribu´
o ıdas pelo mundo, com
restri¸˜es de mem´ria, processamento, e tempo?
co o
• Solu¸˜o: Incorporar aproxima¸˜es ao processo de descoberta
ca co
• Tanto no registro quanto na procura
• Exemplo de procura probabil´
ıstica:
Thiago Teixeira 25 / 29

47. Estimativa Autom´tica
a
• O que fazer quando o dado que se procura n˜o est´ dispon´ (ou
a a ıvel
n˜o foi nem coletado)?
a
• Solu¸˜o: Estimar!
ca
Thiago Teixeira 26 / 29

48. Estimativa Autom´tica
a
• O que fazer quando o dado que se procura n˜o est´ dispon´ (ou
a a ıvel
n˜o foi nem coletado)?
a
• Solu¸˜o: Estimar!
ca
• Exemplo de estimativa temporal:
Thiago Teixeira 26 / 29

49. Estimativa Autom´tica
a
• O que fazer quando o dado que se procura n˜o est´ dispon´ (ou
a a ıvel
n˜o foi nem coletado)?
a
• Solu¸˜o: Estimar!
ca
• Exemplo de estimativa temporal:
Thiago Teixeira 26 / 29

50. Estimativa Autom´tica
a
• O que fazer quando o dado que se procura n˜o est´ dispon´ (ou
a a ıvel
n˜o foi nem coletado)?
a
• Solu¸˜o: Estimar!
ca
• Exemplo de estimativa temporal:
Thiago Teixeira 26 / 29

51. Estimativa Autom´tica
a
• O que fazer quando o dado que se procura n˜o est´ dispon´ (ou
a a ıvel
n˜o foi nem coletado)?
a
• Solu¸˜o: Estimar!
ca
• Exemplo de estimativa espacial:
Thiago Teixeira 26 / 29

52. Estimativa Autom´tica
a
• O que fazer quando o dado que se procura n˜o est´ dispon´ (ou
a a ıvel
n˜o foi nem coletado)?
a
• Solu¸˜o: Estimar!
ca
• Exemplo de estimativa espacial:
Thiago Teixeira 26 / 29

53. Alguns Pontos Importantes
• As solu¸˜es propostas s´ funcionam porque as propriedades do mundo
co o
real s˜o correlacionadas, cont´
a ınuas, e previs´
ıveis
• Servi¸os puramente em software s˜o apenas coisas simplificadas:
c a
Por isso s˜o suportados automaticamente pela middleware
a
• Outros desafios mencionados (metadados incompletos ou errˆneos, e
o
conflitos multi-agente) tamb´m podem ser solucionados usando
e
modelos matem´ticos
a
Mas n´s deixamos este trabalho para o futuro
o
Thiago Teixeira 27 / 29

54. Concluindo
• A Internet das Coisas requer novos modos de intera¸˜o
ca
• Sem um middleware inteligente, somente experts poder˜o utilizar a
a
IoT ao m´ximo
a
• Boa not´
ıcia:
• A rob´tica, a teoria da estimativa, a aprendizagem de m´quina, etc.,
o a
nos mostram o caminho
⇒ Agora s´ falta automatizar! :)
o
Thiago Teixeira 28 / 29

55. Obrigado!
Perguntas?
s´
ıtio
http://thiagot.com
contato:
thiago.teixeira@inria.fr
Thiago Teixeira 29 / 29