Mobile wireless sensor networks (M-WSN) represent networks of movable sensor nodes which observe data from the environment. Maximizing the observable area of the sensor nodes, coverage maximization, is an important issue of the M-WSN. Several works have dealt with the issue in the past. They assumed the sensing range of each sensor is circular and found the position of each sensor node maximizing the sensing range. Circular sensing range is a reasonable assumption for most types of sensors. However, for visual sensors like video camera, which have a specific sensing range, field of view, it is not reasonable to assume that the camera could observe circular range. And for visual sensors we should consider not only the effect of obstacles on the position of the sensors but also on the sensing range. In this paper, we deal with the coverage maximization problem for specific sensor, video camera, assuming the fan shape of cover range. The goal of this paper is to maximize coverage of video camera networks with avoiding obstacles in dynamic position. We use deep reinforcement learning which is proper to apply for environment with dynamic condition. Simulation results show that our method attained sufficient performance.
이동형 무선 센서 네트워크는 초기에 배치 된 후 스스로 움직이며 주변 환경을 관찰하는 센서로 구성된 네트워크를 말한다. 이러한 이동형 무선 센서 네트워크의 감지 범위를 최적화하는 문제는 센서 네트워크에 관련된 문제 중 중요한 문제로 꼽힌다. 과거의 연구에서는 문제를 단순화하기 위에 공통적으로 센서의 감지 범위가 원형이라고 가정했다. 하지만 문제를 시각 센서에 한정할 경우, 비디오 카메라와 같은 시각 센서는 원형이 아닌 부채꼴 모양의 시야 범위를 감지 범위로 하기 때문에 이러한 가정은 수정되어야 한다. 본 연구에서는 이동형 무선 센서 네트워크의 감지 범위 최적화 문제를 시각 센서라는 특수한 경우에 한정하여 해결하고자 한다. 연구 목표는 부채꼴 모양의 감지 범위를 갖는 비디오 카메라로 이루어진 센서 네트워크의 감지 범위를 최적화하는 것이다. 이 경우, 각 센서의 위치뿐만 아니라 센서의 방향과 알려지지 않은 장애물의 위치가 감지 범위에 영향을 주므로 우리는 보다 유동적인 조건을 고려해야 한다. 강화 학습은 이러한 유동적인 조건에 적합한 학습 방법이며 우리는 이를 이용하여 이 문제를 해결하였다. 시뮬레이션을 이용한 실험을 통해 본 연구의 강화 학습을 이용한 이동형 비디오 카메라 네트워크 감지 범위 최적화 기술이 이상적인 감지 범위에 가까운 성능을 가지도록 센서를 배치할 수 있음을 확인했다.
