Conselho Nacional de Desenvolvimento Científico e Tecnológico / Applications that use sensor networks depends on knowing which position where each
node is arranged in a particular geographic area. For this, there are algorithms that perform location
calculations to estimate the exact position of each node. These algorithms use a different
techniques and metrics to make it, for example: the measure of intensity of signal transmission
between two nodes. In a sensor network with high density, it becomes infeasible to manually
configuring each node positioning. To optimize this task, was developed different types of
localization algorithms, with application in several areas, such as tracking, routing protocols,
network density control, self organizing, monitoring remote areas, precision agriculture, among
others. The basis for localization algorithms is to have a number of reference points, where from
these, is calculated the position of each node. A network of sensors with a greater number of
reference points, one can consider a network with higher accuracy for calculating the position
of its nodes. This is due to being closer to the reference points. However, may result in a higher
processing, thereby having a higher energy consumption. Developing a location algorithm with
fewer reference points is not a trivial problem. This, because will increase the distance between
the node and the reference point and may thereby inserting errors in the measurement of the
criteria for the calculation of positioning. For calculation purposes, there are two types of algorithms,
algorithms for centralized processing and distributed processing algorithms. Each with
its advantages and disadvantages that will be discussed in this paper. The location algorithm is
based on a calculation according to data coordinates in a coordinate system, which is raised according
to the technique used to denote the distance between the sensor node and the reference
points. The importance of knowing the location of each node, there is the need to know exactly
where a particular event is occurring. For example, a forest that occupies a large geographic
area is to principles of fire at different locations. / Aplicações que utilizam redes de sensores dependem de saber qual a posição onde cada
nó encontra-se disposto em uma determinada área geográfica. Para isto, existem algoritmos de
localização que efetuam cálculos a fim de estimar a posição exata de cada nó. Estes algoritmos
utilizam-se de diferentes técnicas e medidas para realizar tal tarefa, como por exemplo: a
medida de intensidade de sinal de transmissão entre dois nós. Em uma rede de sensores com
alta densidade, torna-se inviável a configuração manual do posicionamento de cada nó. Para
otimizar esta tarefa, foram desenvolvidos diferentes tipos de algoritmos de localização, com
aplicação nas mais diversas áreas, como: rastreamento, protocolos de roteamento, controle de
densidade da rede, auto organização, monitoramento de áreas remotas, agricultura de precisão,
entre outros. A base para algoritmos de localização é possuir um número de pontos de
referência, onde a partir destes, será calculado a posição de cada nó. Uma rede de sensores
com maior número de pontos de referência, pode-se considerar uma rede com maior precisão
para o cálculo de posição de seus nós. Isso, é devido aos nós estarem mais próximos aos pontos
de referência. Porém, pode acarretar em um maior processamento, assim, tendo um maior
consumo de energia. Projetar um algoritmo de localização com um menor número de pontos
de referência não é um problema trivial. Isto porque irá aumentar a distância entre o nó e o
ponto de referência, podendo desta forma, inserir erros na medição dos critérios para o cálculo
de posicionamento. Para fins de cálculo, existem dois tipos de algoritmos, os algoritmos
de processamento centralizado e os algoritmos de processamento distribuído. Cada um com
suas vantagens e desvantagens que serão abordadas no decorrer deste trabalho. O algoritmo
de localização baseia-se em um cálculo de acordo com as coordenadas em um dado sistema
de coordenadas, que será levantada de acordo com a técnica utilizada para estipular a distância
entre o nó sensor e os pontos de referência. A importância de conhecer a localização de
cada nó, dá-se a necessidade de saber exatamente onde está ocorrendo determinado evento. Por
exemplo, uma floresta que ocupa uma grande área geográfica está com princípios de incêndio
em diferentes locais. É preciso avaliar quais são estes locais e qual significa um maior risco
de destruição, para isto, é preciso saber a posição exata de cada local e assim tomar as devidas
decisões de qual princípio deverá ser combatido primeiro. Neste caso, os nós sensores estariam
estáticos, porém seria uma rede de sensores de alta densidade para cobrir uma área significativa
de floresta. Pode-se também ter uma rede de sensores com nós móveis, onde então o objetivo
é realizar o rastreamento da locomoção destes nós. A partir deste rastreamento, pode-se identificar
o comportamento de um rebanho de animais por exemplo, verificando seu deslocamento,
velocidade e direção. Com estes dados de comportamento, dependendo do animal pode-se deduzir
se ele está doente, alimentando-se ou até mesmo morto se imóvel por um longo período
de tempo.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsm.br:1/5437 |
Date | 12 November 2013 |
Creators | Righi, Vitor Angelo Pozzatti |
Contributors | Martins, João Baptista dos Santos, Medina, Roseclea Duarte, Molz, Rolf Fredi |
Publisher | Universidade Federal de Santa Maria, Programa de Pós-Graduação em Informática, UFSM, BR, Ciência da Computação |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFSM, instname:Universidade Federal de Santa Maria, instacron:UFSM |
Rights | info:eu-repo/semantics/openAccess |
Relation | 100300000007, 400, 500, 300, 500, 300, 387c22c8-ee71-42c2-bef6-6512bce38747, 66c61fa6-4667-4a63-8e42-9406f9ca63db, 35b08393-c9e1-4f6f-9ada-df6e32a1e49c, 54a350d8-6db1-41d9-8f61-8cd89f094eee |
Page generated in 0.0256 seconds