Carregado porccsl-usp
PDF, PPTX1,157 visualizações

Internet of Things (IoT)

O documento apresenta a biografia e a pesquisa de Thiago Teixeira em engenharia elétrica, focando no desenvolvimento de um middleware para a Internet das Coisas (IoT) que integra a fusão de sensores em ambientes inteligentes. Ele discute os desafios do sensoriamento humano e as aplicações, como assistência à saúde e segurança. A palestra é dividida em duas partes: uma rede de sensores para ambientes inteligentes e os novos desafios da IoT.

Tópicos relacionados:
Internet of Things•

Incorporar apresentação

Transferir como PDF, PPTX
Construindo a Internet das Coisas Thiago Teixeira Grupo ARLES, INRIA Paris-Rocquencourt 22 de Agosto de 2011
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
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
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
´ 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
´ 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
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
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
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
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
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
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
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
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
Compara¸˜o entre Modalidades de Sensores ca ´ ⇒ E necess´rio fazer a fus˜o de diversos sensores a a Thiago Teixeira 7 / 29
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
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
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
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
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
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
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
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
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
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
Ferramentas • BehaviorScope Control Center / PySOS: Thiago Teixeira 14 / 29
Ferramentas • BehaviorScope Control Center / PySOS: Thiago Teixeira 14 / 29
Portal • BehaviorScope Web Portal: Thiago Teixeira 15 / 29
Portal • BehaviorScope Web Portal: Thiago Teixeira 15 / 29
E, agora sim, chegamos ` Internet das Coisas a Thiago Teixeira 16 / 29
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
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
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
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
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
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
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
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
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
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
Composi¸˜o de Coisas ca Thiago Teixeira 23 / 29
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
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
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
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
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
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
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
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
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
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
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
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
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
Obrigado! Perguntas? s´ ıtio http://thiagot.com contato: thiago.teixeira@inria.fr Thiago Teixeira 29 / 29

Mais conteúdo relacionado

PDF
Internet das Coisas - Conceitos, tecnologias e aplicações
porFabio Souza
 
PDF
Portfolio alexandre 2015
porAlexandre Maniçoba
 
ODP
A Internet das Coisas
porLuiz Avila
 
PPTX
Banco de Dados Não Relacionais vs Banco de Dados Relacionais
poralexculpado
 
PDF
Gladstone's tentative resume
porGladstone Alves
 
PDF
Raimundo sm
porjamildantas
 
PDF
Internet das Coisas e a Mobilidade Urbana
porEmanuelle Menali
 
PDF
Por que a digitalização é um processo importante?
porNetscan Digital
 
Internet das Coisas - Conceitos, tecnologias e aplicações
porFabio Souza
 
Portfolio alexandre 2015
porAlexandre Maniçoba
 
A Internet das Coisas
porLuiz Avila
 
Banco de Dados Não Relacionais vs Banco de Dados Relacionais
poralexculpado
 
Gladstone's tentative resume
porGladstone Alves
 
Raimundo sm
porjamildantas
 
Internet das Coisas e a Mobilidade Urbana
porEmanuelle Menali
 
Por que a digitalização é um processo importante?
porNetscan Digital
 

Semelhante a Internet of Things (IoT)

PDF
ACII - SLAP - Apresentacao
porUFPB
 
PPT
Palestra integracao calouros area1 2013 por victory fernandes
porVic Fernandes
 
PDF
Portifólio Engenharia Física
porAelison Conte Machado
 
PPTX
Integracao dos Calouros Area1-2012
porVic Fernandes
 
PDF
Modelagem de Ambientes de Computação Ubíqua Utilizando Simulação
porJurmir Canal Neto
 
PPS
Cmu Msin Aveiro
porCooperação para o Desenvolvimento, Universidade de Aveiro
 
PDF
Wi.ufpr
porOle Peter Smith
 
ACII - SLAP - Apresentacao
porUFPB
 
Palestra integracao calouros area1 2013 por victory fernandes
porVic Fernandes
 
Portifólio Engenharia Física
porAelison Conte Machado
 
Integracao dos Calouros Area1-2012
porVic Fernandes
 
Modelagem de Ambientes de Computação Ubíqua Utilizando Simulação
porJurmir Canal Neto
 
Cmu Msin Aveiro
porCooperação para o Desenvolvimento, Universidade de Aveiro
 
Wi.ufpr
porOle Peter Smith
 

Internet of Things (IoT)

  • 1.
    Construindo a Internetdas 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 AmbientesInteligentes: 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 AmbientesInteligentes: 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 sepode 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 sepode 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 sepode 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 sepode 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 Sensoriamentode 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 Modalidadesde Sensores ca ´ ⇒ E necess´rio fazer a fus˜o de diversos sensores a a Thiago Teixeira 7 / 29
  • 16.
    Disserta¸˜o: Extra¸˜o das5 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 istoquer 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 Internetdas 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 Internetdas 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 Middlewarepara 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 Middlewarepara 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 deConhecimentos • 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 deCoisas 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