Vous êtes ici : Réunions » Réunion

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Réseaux de capteurs et algorithmes distribués

Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.

Inscriptions closes à cette réunion.

Inscriptions

16 personnes membres du GdR ISIS, et 0 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 100 personnes.

Annonce

Cette journée organisée par les thèmes A et D du GdR ISIS est consacrée aux algorithmes distribués et à leurs applications aux réseaux de capteurs et aux réseaux multi-agent.

L'étude de méthodes statistiques distribuées pour les réseaux de capteurs a récemment fait l'objet d'un très grand nombre de travaux, à la fois dans le domaine du traitement statistique du signal, de la théorie de l'information, des systèmes dynamiques et de l'optimisation. Un intérêt croissant se porte sur les systèmes décentralisés : à la différence du contexte traditionnel qui suppose qu'un unique centre de fusion collecte l'ensemble des observations et dicte le comportement global, on suppose au contraire que le traitement de l'information est réalisé de manière distribuée sur l'ensemble des noeuds du réseau.

Des communications limitées entre noeuds voisins permettent l'accomplissement d'une tâche commune ou l'émergence d'un comportement global qu'il s'agit de caractériser. Les systèmes décentralisés présentent d'importants avantages en termes d'autonomie, de robustesse, de flexibilité et d'adaptation aux changements du milieu. Le champ applicatif des méthodes distribuées est large : inférence statistique distribuée dans les réseaux de capteurs, classification, coordination de robots mobiles, dynamique d'opinion dans les réseaux, optimisation distribuée pour les réseaux de communications numériques, "smart grids", etc. L'importante variété des motivations, aussi bien théoriques qu'applicatives, entraine que les mêmes outils sont utilisés par des communautés différentes. L'objectif de cette journée est de mieux comprendre les bases méthodologiques liées à l'étude des systèmes décentralisés. Ces méthodes sont issues de domaines divers tels que l'apprentissage, l'approximation stochastique, les systèmes dynamiques, l'automatique, la théorie des graphes ou l'optimisation.

Les organisateurs :

Pascal Bianchi (pascal.bianchi@telecom-paristech.fr)
Walid Hachem (walid.hachem@telecom-paristech.fr)
Cédric Richard (cedric.richard@unice.fr)
Jean-Yves Tourneret (Jean-Yves.Tourneret@enseeiht.fr).

 

Programme

9h30-9h40 : Accueil

9h40-10h20 : Jérémie JAKUBOWICZ (Télécom Sud Paris), Distributed Optimization

10h20-11h00 : Benoît PATRA (UPMC), Sur la convergence d'un modèle distribué asynchrone de quantification vectorielle

11h00-11h10 : Pause

11h10-11h50 : Julien HENDRICKX (Université catholique de Louvain), Two complementary approaches to averaging in decentralized systems

11h50-12h30 : Maria João RENDAS (I3S), Majorization Deflated Distributed Data fusion

12h30-14h00 : Déjeuner

14h00-14h30 : Claude CHAUDET (TELECOM ParisTech), Réseaux de capteurs et plates-formes d'expérimentation

14h30-15h10 : Alexandre SEURET (GIPSA-lab), Collaborative control of autonomous underwater vehicles

15h10-15h20 : Pause

15h20-16h00 : Hamidou TEMBINE (Supélec), Mean field stochastic games

16h00-16h40 : Hichem SNOUSSI (Université de Technologie de Troyes), Traitement décentralisé de l'information dans les réseaux de capteurs sans fil

Résumés des contributions

Réseaux de capteurs et plates-formes d'expérimentation.

Claude CHAUDET (TELECOM ParisTech)

Dans cet exposé je parlerai des plate-formes d'expérimentations nationales permettant d'évaluer des protocoles et algorithmes dans un environnement réel. Après une description de la plate-forme \emph{SensLab}, répartie sur 5 sites en France et accessible librement, je décrirai le projet d'équipement d'excellence FIT (Future Internet of Things), fédérant OneLab/Nitos, une plate-forme dédiée à la radio cognitive et une évolution de SensLab sur laquelle nous nous attarderons. Cette nouvelle plate-forme, en cours de réalisation, permettra de réaliser des expérimentations dans un environnement mobile en contrôlant la mobilité de n\oe uds embarqués sur des robots évoluant dans un environnement pavé de capteurs. A l'issue de l'exposé, une discussion ouverte permettra d'identifier les fonctionnalités attendues de la communauté du GdR ISIS pour une telle plate-forme et de réfléchir à leur intégration.

Mean field stochastic games

Hamidou TEMBINE (Supélec)

The talk will discuss stochastic games with individual states driven by controlled Markov processes in a large population regime. Under specific structure of transition kernels (which satisfy the asymptotic indistinguishability property), mean-field limit arises because of large number of players. To each generic player, we associate a long-term payoff under individual dynamics and mean field dynamics. As a special case results, potential and S-modular mean field stochastic games will be presented. Finally, application to energy saving in sensor networks and wireless network security will be discussed.

Two complementary approaches to averaging in decentralized systems

Julien Hendrickx (Université catholique de Louvain)

We consider systems of n agents each holding an initial value, and analyze how they can compute the average of these values in a decentralized way, i.e. by local interactions between peers. This issue is central in decentralized systems, as it captures most of the difficulties faced in decentralized computation and control. Averaging algorithms are moreover the basis on which are built many more evolved algorithms. We present two recent results approaching decentralized averaging from complementary angles. First, we show a new symmetry-based convergence condition for consensus-seeking continuous-time dynamical systems. Then, we consider stochastic systems computing the average on expectation, and expose a trade-off leading to new general bounds on the variance of their results, and allowing showing the asymptotic accuracy of large classes of protocols.

Distributed Optimization

Jérémie JAKUBOWICZ (Télécom Sud Paris)

In this talk, we will focus on distributed optimization: Consider a network of agents with possibly time varying and unknown topology - each agent knowing its closest neighbors but no more. Each agent in the network has to tune a parameter according to a utility function she/he would like to maximize. Moreover this parameter may be restricted to remain in a given (and common) constraint set. The goal of the network is not to maximize individual utility functions but rather a function of all utility functions. In this work we consider the sum of all agents utility functions as the network utility function.

The algorithm we will detail and analyze is the following. It has two steps. Each agents having its own estimate of the optimum parameter, first performs a selfish gradient descent step, taking into consideration her/his utility function only and projecting its parameter estimate back into the constraint set. Then a gossip step takes place where neighbor agents average their estimates.

Variants of this problem have been addressed by numerous works, starting with the seminal work of Tsitsiklis. In this work we address three important features: utility functions are not assumed convex; gossip step does not necessarily involve bistochastic matrices and network topology can change over time. After carefully reviewing the consequences of these assumptions, we will show that under mild and explicit assumptions the network does converge to a consensus that is also a local solution for the network optimization problem.

Sur la convergence d'un modèle distribué asynchrone de quantification vectorielle

Benoît PATRA (UPMC)

La parallélisation des algorithmes apparaît comme la manière la plus prometteuse d'accroître les ressources de calculs disponibles. Le calcul distribué est par conséquent fortement sollicité en data mining où les données sont de plus en plus importantes et complexes. Parmi les algorithmes populaires de la fouille de données, les algorithmes dit de "clustering" tiennent une place de choix. Il s'agit de partitionner les données, souvent de grande dimension, en groupes similaires. D'un point de vue plus théorique, il s'agit de proposer une version simplifiée de la mesure de probabilité sous-jacente. Ces algorithmes se doivent d'être performant suivant les critères de groupement mais également en termes de passage à l'échelle pour de grands jeux de données. La parallélisation sur plusieurs machines fait apparaître de nombreuses difficultés comme par exemple les délais de communications. Il est difficile d'orchestrer une synchronisation des instances de calcul sans dégrader les performances de temps. Un algorithme dit << asynchrone >> semble alors indiqué pour tenter de résoudre ces problèmes à grande échelle.

Cet exposé se déroulera en quatre étapes. Premièrement nous présenterons l'algorithme stochastique de Competitive Learning Vector Quantization (CLVQ) ainsi que certains résultats de convergence obtenu par Pagès et Fort. Cet algorithme << on-line >> peut être également être vu comme le cousin germain de sa version << batch >> appelé << méthode de Lloyd's >> (ou parfois simplement K-Means). Cette présentation effectuée nous porterons notre attention sur les travaux de Berteskas et Tsitisklis sur les algorithmes parallèles, itératifs, linéaires et asynchrones. Dans cette partie après avoir introduit un modèle "générique" nous donnerons un ensemble de conditions nécessaires pour l'existence de consensus au sein du système distribué. Dans une troisième partie nous nous proposons de réunir la méthode de CLVQ et les modèles asynchrones, distribués cités précédement. Nous nous intéresserons donc à la convergence théorique de ce modèle résultant que nous dénommerons Distributed Asynchronous Learning Vector Quantization (DALVQ). Enfin, dans la quatrième et dernière partie nous mènerons une discussion sur la réalisation effective sur ce type de méthode. Nous présenterons à cette occasion le projet opensource CloudDALVQ déployé sur une plateforme de cloud computing.

Majorization Deflated Distributed Data fusion.

Maria João RENDAS (I3S)

We report on a novel data fusion operator for distributed data fusion on sensor networks subject to the problem of {\em rumour}, i.e., of re-circulation of information, formally defined by a set of dominance relations between probability distributions, assuming an underlying partial order that appropriately measures uncertainty (or informativeness). For discrete variables, Schur majorization provides the mathematical definition of dominance, enabling exploitation of the algebraic structure it induces on the simplex.

Numerical simulations confirm the robustness of the of the proposed method as well as its superior efficiency when compared to competitor solutions.

Collaborative control of autonomous underwater vehicles

Alexandre SEURET (GIPSA-lab)

This presentation, inspired from the thesis of Dr Lara Briñon Arranz, deals with the design of collaborative control of multi-agent systems. This topic has been extensively studied in recent literature due to its large number of applications. This presentation is concerned by the design of collaborative control strategies in order to achieve an underwater exploration mission. In particular, the final aim is to steer a fleet of autonomous underwater vehicles, which are equipped by appropriate sensors, to the location of a source of temperature, pollutant or fresh water. In this situation it is relevant to consider constraints in the communication between vehicles which are described by means of a communication graph. The first contributions deal with the development of cooperative formation control laws which stabilize the fleet to time-varying formations and, in addition, which also distribute the vehicles uniformly along the formation. Finally, the source-seeking problem is tackled by interpreting the fleet of vehicles as a mobile sensors network. In particular, it is shown that the measurements collected by the fleet of vehicles allows to estimate the gradient of a scalar field. Following this idea, a distributed algorithm based on consensus algorithms is proposed to estimate the gradient direction of a signal distribution.

Traitement décentralisé de l'information dans les réseaux de capteurs sans fil.

Hichem SNOUSSI (Université de Technologie de Troyes)

L'objectif de cet exposé est de présenter les techniques de traitement du signal décentralisé dans un réseau de capteurs sans fil. En particulier, on s'intéresse à développer la fonction de surveillance par un traitement approprié de l'information s'accommodant des contraintes d'un réseau de capteurs sans fil. Dans ces systèmes, le traitement des données repose sur le caractère distribué et coopératif des capteurs constituant le réseau pour une prise de décision plus sûre. Nous allons décrire des approches différentes comme le filtrage variationnel distribué, les méthodes à noyau distribuées et les méthodes de localisation par intervalles. Une application de surveillance par réseau de caméras sera aussi brièvement décrite.

Date : 2012-02-02

Lieu : Télécom ParisTech, amphithéâtre Estaunié.


Thèmes scientifiques :
D - Télécommunications : compression, protection, transmission

Inscriptions closes à cette réunion.

Accéder au compte-rendu de cette réunion.

(c) GdR IASIS - CNRS - 2024.