学院概况

空气质量物联网学科交叉研究取得进展

发布时间:2020-08-04

信息来源:

随着工业化进程的加快和人类活动的增加,环境污染成为了威胁发展中国家经济增长和公共卫生安全的重大问题。党的十九大明确指出到2035年,生态环境根本好转,美丽中国目标基本实现。环境与健康是一个新兴的跨学科研究领域,呈现出多学科交叉的态势,需要环境、信息等多学科共同合作。

根据世卫组织国际癌症研究机构公布的数据,室外空气污染属于一类致癌物,长期呼吸受污染的空气会引起慢性支气管炎、肺气肿及肺癌等疾病。我国城市居民死亡原因排序中,恶性肿瘤排在第一位,其中肺癌尤居首位,空气污染无疑是最大元凶之一。因此,对空气质量的准确监测成为当前阶段最迫切需要解决的课题。传统的监测方法以设置公共空气监测站为主,这种方法可以分析空气的成分组成,具有很高的测量精度,但由于监测站成本昂贵,测量周期长,导致该方法在城市范围内测量精确度下降。应用气象学研究表明,空气质量在空间中的分布以米为量级变化,在高楼密集的城市中分布尤为复杂,传统方法难以对城市楼宇环境中空气质量进行有效监测。

针对现有监测系统在较大覆盖范围及空气质量时空动态变化的场景中精确度低、实时性差、成本高、功耗大等难题,自2017年开始,信息科学与技术学院宋令阳教授和边凯归副教授带领团队开展了空气质量物联网的学科交叉研究并取得了重要进展。团队开创性地采用物联网架构设计了新型的空气质量监测系统,采用定点传感器、无人机和小型无人车等设备实现系统搭建,综合运用机器学习、人工智能、通信网络、应用气象学等多学科交叉研究的方法进行数据分析和系统优化,解决了感知系统中设备的位置选择、功耗控制、故障发现和矫正等关键问题,攻克了覆盖范围外空气质量难以准确监测的技术挑战,提高了最终获取空气质量数据的可靠性,为大范围环境下实现细粒度实时空气质量监测奠定技术基础。其在生成大型空气质量分布地图、评估空气污染扩散程度、辅助人们日常生活决策、引导空气净化设备的部署、空气污染治理等方面有重大的指导意义和实用价值。研究成果获得电气电子工程师学会通信协会学生竞赛(IEEE Communications Society Student Competition)一等奖第一名(首次由本科生获得),获无线通信国际学术会议IEEE WCNC 2020最佳论文奖,主要论文成果发表在物联网领域影响因子最高的国际学术期刊IEEE Internet of Things JournalIF=9.936),国际学术杂志IEEE NetworkIF=8.808),计算机网络国际顶级学术会议IEEE INFOCOM等。

该空气质量监测系统采用了物联网的通用上行架构,主要包括感知层、传输层和处理层,其中感知层负责不同位置空气质量的测量感知,提高设备测量精度和能效比,在有限的时间和能量限制下,获得尽可能多的信息量来生成更好的空气质量分布。传输层负责不同位置数据的有效上传,提高系统的覆盖范围。处理层负责空气质量分布的生成,针对系统的异步问题和可能出现的故障进行识别、矫正和优化,提高最终数据的可靠性。团队围绕空气质量物联网不同网络层关键技术问题开展了以下研究工作(如图1所示)。


1 实验室空气质量物联网研究内容概览

      首先,对于感知层的能效问题,团队研究了定点传感器系统的功耗控制策略和位置选择策略(Z. Hu et al., IEEE IOTJ, 2020; Z. Hu et al., IEEE ICC, 2019; Y. Yang et al., IEEE ICC, 2019),采用马尔科夫决策过程描述系统状态转移,使利用强化学习框架综合优化了传感器的部署和控制。团队还研究了基于图像的空气质量测量方法,将图像识别方法与无人机相结合提出一种新型的空气质量监测系统(J. Gao et al., IEEE IOTJ, 2020),提高了感知层的测量精度和能效。

对于传输层的测量覆盖范围问题,在室内,团队利用多个无人小车作为移动节点(Z. Hu et al., IEEE WCNC, 2020; Z. Hu et al., IEEE IOTJ, 2020),在没有信号覆盖的位置缓存空气质量数据,在有信号的位置上传数据并下载其他小车的分享数据,利用不完全信息为每个小车设计行动策略,使无人小车具有智能决策、自主移动、实时测量的功能。在室外,团队利用具有高移动性无人机进行三维环境的空气监测(Y. Yang et al., IEEE IOTJ, 2018; Y. Yang et al., IEEE GLOBECOM, 2017),设计对应无人机飞行路径规划的优化算法,最终解决传输层的覆盖范围问题,实现对细粒度数据的高效、实时监测。


2 室内无人小车监测示意图

      最后,针对传输层中突发性设备或网络故障所带来的可靠性问题,团队提出基于异步数据的预测算法(Z. Bai et al., IEEE ICASSP, 2019),综合考虑历史数据,实现对每一个时间节点测量值未上传节点的数据预测,获得更准确的测量结果。除此之外,团队还提出一个利用无人机监督地面设备的空地联合测量系统(Y. Yang et al., IEEE ICC, 2019),通过比较地面传感器数据与无人机测量数据的差异程度,可以在出现设备故障时,提高地面传感器网络的可靠性。


3 异步数据预测网络示意图