IoT Off-Grid: coleta dinâmica de dados baseada em aprendizado de máquina

Abstract

A Internet das Coisas (IoT - Internet of Things) abrange uma diversidade de objetos, tecnologias, padrões de comunicação, sensores e atuadores em ambientes conectados em rede, incluindo aqueles com restrições de energia e comunicação. Drones fazem uso massivo de IoT, tanto nos padrões de comunicação quanto na conexão com sensores e atuadores. O uso de drones em áreas remotas ou sem infraestrutura de comunicação é necessário para atender uma série de aplicações, como por exemplo, monitoramento ambiental, entrega de suprimentos em regiões isoladas ou em situações de emergência, inspeção de infraestrutura, agricultura de precisão e apoio na busca e salvamento em locais remotos ou após desastres naturais. Esses ambientes em que não há infraestrutura de comunicação ou há restrições de energia para comunicação são chamados de ambientes offline, ou ambientes IoT Off-Grid. São muitos os desafios neste contexto, em especial, a adaptação da infraestrutura de IoT, formas de recarga de baterias dos drones envolvidos nessas aplicações e decisão sobre quais dados capturar do ambiente devido às limitações de armazenamento e autonomia de voo dos drones. Visando contribuir com soluções para este contexto, esta tese apresenta um framework chamado Coleta de Dados de IoT Off-Grid (CDIOG). Nele, os drones são organizados para coletar e atualizar informações do ambiente de forma inteligente e eficiente. Para isso, o framework define dois novos algoritmos para otimizar o caminho que os drones devem percorrer até os pontos de coleta de dados. Além disso, alguns algoritmos de aprendizado de máquina conhecidos são sugeridos para selecionar os dados relevantes, dada a grande quantidade de informações a serem coletadas. CDIOG também propõe uma camada de comunicação do drone com o ambiente Off-Grid. A eficácia do framework CDIOG é comprovada pelo uso de drones reais para configuração do ambiente Off-Grid, captura e armazenamento de dados. Resultados de simulações são apresentados mostrando percurso, perda de pacotes e taxa de erro em função do deslocamento do drone em relação ao ponto de comunicação. A proposta deste framework contribui no avanço do estado da arte apresentando uma solução para ambientes Off-Grid, onde conceitos relacionados com IoT, redes sem fio, sensores e drones são necessários para resolver ou amenizar as dificuldades deste tipo de ambiente.

Abstract: The Internet of Things (IoT) encompasses a diversity of objects, technologies, communication standards, sensors, and actuators in networked environments, including those with power and communication constraints. Drones make massive use of IoT, both in communication standards and in connecting with sensors and actuators. The use of drones in remote areas or areas without communication infrastructure is necessary to serve a number of applications, such as environmental monitoring, delivery of supplies in isolated regions or in emergency situations, infrastructure inspection, precision agriculture, and support in search and rescue in remote locations or after natural disasters. These environments where there is no communication infrastructure or there are power constraints for communication are referred to as offline environments or Off-Grid IoT environments. There are many challenges in this context, in particular, the adaptation of the IoT infrastructure, ways to recharge the batteries of the drones involved in these applications, and the decision on what data to capture from the environment due to the limitations of storage and flight autonomy of drones. In order to contribute with solutions for this context, this thesis presents a framework called Off-Grid IoT Data Collection (CDIOG). In it, drones are organized to collect and update information from the environment intelligently and efficiently. To do this, the framework defines two new algorithms to optimize the path that drones must take to the data collection points. In addition, some well-known machine learning algorithms are suggested to select the relevant data, given the large amount of information to be collected. CDIOG also proposes a communication layer between the drone and the Off-Grid environment. The effectiveness of the CDIOG framework is proven by the use of real drones for Off-Grid environment setup, data capture and storage. Simulation results are presented showing route, packet loss and error rate as a function of the drone?s displacement in relation to the communication point. The proposal of this framework contributes to the advancement of the state of the art by presenting a solution for Off-Grid environments, where concepts related to IoT, wireless networks, sensors and drones are necessary to solve or mitigate the difficulties of this type of environment.