Schlanke Sensorik: Nutzung kontextbezogener Informationen für eine möglichst energieeffiziente Sensorik

Abstrakt

Cyber-Physical-Technologien ermöglichen ereignisgesteuerte Anwendungen, die das Auftreten bestimmter, von Natur aus stochastischer Vorfälle in Echtzeit überwachen. Diese Technologien werden in Städten auf der ganzen Welt in großem Umfang eingesetzt, und einer ihrer kritischen Aspekte ist der Energieverbrauch, da sie meist batteriebetrieben sind. Das repräsentativste Beispiel für derartige Anwendungen ist heute das intelligente Parken. Da Parksensoren dazu dienen, Parkvorgänge fast in Echtzeit zu erkennen, sind Strategien wie die Datenaggregation nicht gut geeignet, um den Energieverbrauch zu optimieren. Außerdem ist eine Datenkomprimierung sinnlos, da es sich bei den Ereignissen im Wesentlichen um binäre Einheiten handelt. Daher wird in diesem Beitrag das Konzept des Lean Sensing vorgestellt, das eine Lockerung der Erfassungsgenauigkeit zu Gunsten einer Verbesserung der Betriebskosten ermöglicht. Zu diesem Zweck wird vom Konzept der momentanen Zufälligkeit ausgegangen und die Korrelationsstruktur untersucht, die sich daraus in komplexen Systemen ergibt. Anschließend wird die Nutzung dieser systemweiten, aggregierten Kontextinformationen zur Optimierung des Stromverbrauchs untersucht, wobei der umgekehrte Weg beschritten wird: von der Darstellung auf Systemebene zum Stromverbrauch der einzelnen Geräte. Zu den diskutierten Techniken gehören die Anpassung der Datenerfassung an zeitliche Korrelationen (d. h. die Anpassung des Sensorverhaltens an die erwartete Aktivität) und die Ableitung des Systemzustands aus unvollständigen Informationen auf der Grundlage räumlicher Korrelationen. Diese Techniken werden auf reale Smart-Parking-Anwendungen angewandt, um die Auswirkungen einer Reihe von Optimierungsstrategien auf Systemebene auf den Stromverbrauch der Geräte zu bewerten.