FILTRO DE PARTÍCULAS ACOTADO PARA FUSIÓN DE DATOS EN REDES DE SENSORES Silvana Sañudo, Favio Masson Departamento de Ingeniería Eléctrica, Universidad Nacional del Sur Av. Alem 1253 – (8000) Bahía Blanca- ARGENTINA e-mail: silvana79@gmail.com Resumen: En este trabajo se presenta un estimador Bayesiano para el problema de localización en redes de sensores. El algoritmo de fusión se basa en un filtro de partículas pero que en lugar de transmitir partículas entre nodos transmite cotas donde estas tienen mayor probabilidad. De esta forma, el método es ideal para aplicaciones donde se descentralice el proceso de fusión en nodos que tienen baja capacidad de transmisión de datos y donde los modelos de observación sean no Gaussianos, como en el caso de sensores de rango solamente. Palabras Claves: Filtro de Partículas, Redes de Sensores, Fusión de Datos 1. INTRODUCCIÓN Una de las aplicaciones típicas de redes de sensores es la detección y localización de eventos o fuentes donde las estimaciones de los estados se basan en medidas ruidosas aportadas por los sensores y en la información obtenida a priori. Generalmente los sistemas incluyen modelos no lineales y ruidos no Gausseanos en su dinámica (Arulampalan et al., 2002; Daum, 2005). Por ejemplo si se utiliza un sensor de rango solamente para ubicar un objetivo de interés, la actualización resultante es claramente no Gaussiana. Lo mismo vale para el caso de sensores de ángulo solamente. La utilización de un filtro que supone distribuciones Gaussianas lleva indefectiblemente a inconsistencias. Algunas formas de solucionar este problema es retrasando la actualización hasta obtener información suficiente. En el ejemplo del sensor de rango solamente, con al menos tres medidas de distintos sensores no ubicados en el mismo lugar, sería posible obtener una estimación prácticamente Gaussiana. Este problema es conocido en aplicaciones de robótica como el SLAM (Durrant-Whyte, H. & Bailey T., 2006). Otra cuestión importante es si las incertidumbres de las estimaciones a priori son grandes y se produce una actualización muy precisa comparada con esta. Si se utilizan filtros basados en linealizaciones como el Filtro Extendido de Kalman se viola la suposición común de linealizar cerca del punto de operación, llevando a resultados catastróficos. El algoritmo de Filtro de Partículas (PF por su nombre en inglés) proporciona una forma simple y efectiva de modelar procesos estocásticos con funciones de distribución de probabilidad (pdf por su nombre en inglés) y modelos de propagación arbitrarios. Se basan para esto en métodos secuenciales de Monte Carlo (Carpenter et al., 1999). Para representar la densidad de probabilidades se utilizan puntos másicos (“partículas”) que son estados posibles del proceso, distribuidas sobre su espacio de estados. Cuando se obtiene una medida, el PF utiliza éstos puntos másicos para aproximar la distribución a posteriori. Para obtener una buena aproximación se requiere un número significativo de partículas lo que implica gran capacidad de almacenamiento y comunicación. Un algoritmo que permite la utilización de esta representación de las distribuciones para estimar un estado de interés es