Hvordan IoT Kan Forvandle Smarte Byer: Utfordringer og Muligheter

I de siste årene har Internett av Ting (IoT) blitt en uunnværlig teknologi i utviklingen av smarte byer. IoT gir oss muligheten til å koble sammen enheter og systemer som kan samle inn, analysere og dele data på en måte som forbedrer både livskvalitet og effektivitet i urbane områder. Gjennom bruken av API-er som SensorThings API og data-modeller som muliggjør integrering av sensorer via HTTP og MQTT, åpnes nye muligheter for smart byadministrasjon.

I tillegg til å gi tilgang til individuelle datastrømmer, finnes det også eksempler på applikasjoner som kombinerer forskjellige datakilder for å skape nye, innovative løsninger. Et eksempel på dette er PrioBike, et prosjekt som bruker sanntids trafikkdata, offentlige kartdata og hastighetsmålinger fra navigasjonsapper for å skape en bedre sykkelopplevelse i byen. Ved hjelp av dynamisk trafikksignalstyring, som prioriterer sykler fremfor motoriserte kjøretøy, bidrar prosjektet til en mer sykkelvennlig by. Et annet eksempel er Mundraub, en samfunnsbasert plattform som kartlegger steder i byen der spiselige frukter, nøtter og urter kan høstes. Denne plattformen kombinerer Open Street Map-data, nye bidrag fra lokalsamfunnet og informasjon fra byens tre-register for å gjøre disse ressursene lett tilgjengelige for innbyggerne.

Samtidig som IoT åpner opp for mange spennende muligheter, er det fortsatt flere utfordringer som må løses for at teknologien skal kunne realiseres på en pålitelig måte. Et av de største problemene er hvordan man håndterer den store mengden data som genereres. Denne datamengden kan være vanskelig å prosessere, kommunisere og lagre på en effektiv måte. En annen utfordring er at sensornettverkene ofte er utsatt for unøyaktigheter på grunn av eksterne faktorer som værforhold og mobilitet i sensorene. For eksempel kan sensorer som er montert på kjøretøy, miste forbindelsen til nettverket på grunn av endringer i kjøreskjemaet, noe som kan føre til datatap og ustabilitet i systemene.

For at IoT-løsningene skal kunne være både pålitelige og bærekraftige, må fremtidige enheter dra nytte av mer dynamiske tilpasningsmekanismer som kan justere maskinvarekonfigurasjonen for å optimalisere utførelsen av ulike programvareoppgaver. Videre er det nødvendig med nøyaktige modeller av utplasseringsmiljøene, som kan ta hensyn til eksterne faktorer som påvirker nettverkets ytelse. Dette kan inkludere for eksempel værforhold, bygningens utforming og andre eksterne faktorer som kan forstyrre signaloverføringen. Utviklingen av slike løsninger er et viktig forskningsfelt for fremtidens IoT-teknologi.

Det er også viktig å merke seg at ettersom IoT-teknologiens rekkevidde og anvendelser fortsetter å vokse, vil det også være et behov for strengere standarder og retningslinjer for sikkerhet og personvern. Når mer og mer sensitive data samles inn og deles gjennom IoT-plattformer, er det avgjørende at brukerne kan stole på at dataene deres er beskyttet mot misbruk og at deres personlige integritet ivaretas. Dette kan være et område der offentlig og privat sektor må samarbeide for å utvikle sikre og pålitelige systemer som kan brukes på tvers av ulike applikasjoner og tjenester.

Hvordan kan koordinering oppdages i et UAV-nettverk? En matematisk tilnærming gjennom multi-måloptimalisering og mikroøkonomiske verktøy

I denne sammenhengen handler koordinering om å identifisere hvordan autonome enheter i et system samhandler for å oppnå et felles mål, til tross for at hver enhet opererer ut fra egne interesser. Et viktig rammeverk for å forstå slike interaksjoner er multi-måloptimalisering, som skiller seg fra tradisjonell én-måloptimalisering ved at flere mål samtidig skal maksimeres i et felles system. Et slikt system kan bestå av flere autonome agenter, som for eksempel UAV-er (ubemannede luftfartøy), hvor hver agent har en egen nyttefunksjon som den søker å maksimere.

For å definere koordinering i et slikt system, må vi presist definere hva det betyr at systemet oppnår koordinering. Dette begrepet har blitt behandlet av flere forskere, som Chen et al. (2020) og Quintero et al. (2010), og vår tilnærming bygger på multi-måloptimalisering. Dette er et rammeverk hvor vi ser på et sett av autonome agenter som interagerer under felles begrensninger, og der den enkelte agentens handlinger ikke kan vurderes isolert, men må forstås som del av et større system.

Multi-Måloptimalisering

Multi-måloptimalisering kan beskrives som et problem der flere agenter, hver med sin egen nyttefunksjon, prøver å maksimere sin individuelle nytte samtidig som de tar hensyn til de andre agentenes handlinger. Denne typen optimalisering skiller seg fra tradisjonell én-måloptimalisering ved at vi ikke nødvendigvis kan finne et enkelt punkt som maksimerer alle agentenes nyttefunksjoner samtidig. I stedet snakker vi om Pareto-optimalitet, et konsept som innebærer at ingen agent kan øke sin nytte uten at en annen agent opplever en nedgang i sin nytte.

Invers Multi-Måloptimalisering og Avslørte Preferanser

Når vi ser på et datasett med handlinger fra flere agenter, kan spørsmålet oppstå: Hvordan kan vi avgjøre om disse handlingene er i samsvar med en Pareto-optimal løsning? Dette er kjernen i det som kalles invers multi-måloptimalisering, et problem som har sitt utspring i mikroøkonomisk analyse av gruppers beslutningsprosesser. Spesielt fokuserer invers multi-måloptimalisering på å finne ut om det finnes individuelle nyttefunksjoner som gjør at de observerte handlingene er optimal sett fra et multi-målsperspektiv.

En viktig tilnærming for å løse dette problemet er å bruke mikroøkonomiske verktøy for å analysere gruppens avslørte preferanser. Dette konseptet stammer fra arbeidet til Afriat (1967), som introduserte en metode for å utlede nyttefunksjoner fra forbrukernes budsjett- og utgiftsdata. Denne metoden er videreutviklet i det som kalles "Group Revealed Preferences" (GRP), som gir nødvendige og tilstrekkelige betingelser for å vurdere om en gruppes atferd er i samsvar med multi-måloptimalisering.

Applikasjon på UAV-koordinering

Når vi anvender disse metodene på UAV-nettverk, kan vi bruke de matematiske verktøyene for å oppdage om koordineringen mellom UAV-ene er optimal. Dette kan gjøres ved å observere handlingene UAV-ene utfører i et gitt nettverk og analysere om deres samlede handlinger fører til en Pareto-optimal løsning. Ved å rekonstruere de individuelle nyttefunksjonene til hver UAV, kan vi bedre forstå hvordan de samarbeider eller konkurrerer i systemet. Dette kan også gi innsikt i hvordan vi kan forutsi fremtidig oppførsel eller tilpasse systemet for å oppnå bedre koordinering.

Denne tilnærmingen kan være svært nyttig i praktiske applikasjoner som involverer flåter av UAV-er som arbeider sammen for å gjennomføre komplekse oppgaver som overvåking, kartlegging eller søk og redning. Her er det essensielt å forstå hvordan systemet som helhet kan koordinere seg på en optimal måte for å maksimere effektiviteten og minimere risikoen.

Viktige betraktninger

Når man arbeider med multi-måloptimalisering og invers multi-måloptimalisering, er det viktig å forstå at dette ikke bare handler om å finne løsninger som er optimale for en individuell agent, men også hvordan agentenes handlinger er koblet sammen i et større system. For UAV-nettverk, betyr dette at koordinering ikke nødvendigvis betyr at hver UAV skal få det beste individuelle utfallet, men at de samarbeider for å oppnå et felles mål på en effektiv måte.