Frugal Geofencing via Energy-aware Sensing and Reporting

1. Problema e Contexto

O artigo aborda o desafio de realizar monitoramento oportuno e preciso em cenários de geofencing (cerca virtual) utilizando dispositivos da Internet das Coisas (IoTDs) de ultra-baixo consumo de energia, alimentados por colheita de energia (Energy Harvesting - EH).

• Limitações Atuais: Dispositivos EH possuem buffers de energia limitados. A dependência de despertares frequentes para aquisição de dados e envio (reporting) pode esgotar rapidamente essa energia.
• Falha das Abordagens Convencionais: A maioria das soluções existentes assume que os sensores podem operar continuamente ou com ciclos de trabalho (duty cycles) altos, ignorando a intermitência dos dispositivos EH, as restrições do campo de visão (FoV) direcional de sensores (como câmeras) e a necessidade de projetar conjuntamente o agendamento de sensoriamento e reporte.
• Objetivo: Garantir a cobertura de barreira (detecção de intrusos) com confiabilidade e baixa latência, minimizando o consumo de energia e o número de dispositivos necessários, sem comprometer a autonomia da rede.

2. Metodologia e Arquitetura do Sistema

O trabalho propõe um framework de geofencing consciente de energia que integra modelagem de sensoriamento direcional, dinâmica de colheita de energia e controle inteligente via Reinforcement Learning (RL).

A. Modelo do Sistema

• Cenário: Uma área protegida (geofence) cercada por uma zona de perímetro externa (zona de detecção antecipada).
• Dispositivos (IoTDs): Equipados com câmeras (com FoV e capacidade de rotação), módulos de colheita de energia, buffer de energia e rádio de despertar (WuR).
• Arquitetura de Controle:
  • Um Access Point (AP) fixo conecta os dispositivos.
  • Um Mobile Edge Host (MEH) hospeda o Sistema de Geofencing (FGS), que inclui um Controlador e um Centro de Fusão (FC).
  • O FGS recebe dados de status e detecção, prediz trajetórias de intrusos e envia comandos de despertar e reorientação de câmera apenas para os dispositivos mais relevantes.

B. Modelagem de Sensoriamento e Energia

• Função de Potência de Sensoriamento: O artigo propõe uma função que combina o decaimento da distância e o mascaramento angular (FoV). A confiança de detecção ($p_{obj}$) depende de o objeto estar dentro do ângulo da câmera e da distância ($r$), modelada como uma função exponencial decrescente até um raio máximo ($r_{max}$).
• Modelo de Energia: Utiliza um modelo discreto de Bernoulli para a chegada de energia. As ações (transmissão, despertar, rotação da câmera) consomem energia. Se o buffer estiver vazio, a ação falha.

C. Abordagem de Otimização (Reinforcement Learning)

O problema é formulado como a minimização do erro de detecção (misses e detecções tardias) sujeito a restrições de energia.

• Agente de Decisão: O Controlador do FGS atua como um agente de RL centralizado.
• Estado: Inclui o estado de ativação, orientação da câmera, posição do dispositivo e nível do buffer de energia.
• Ação: Decidir quais dispositivos ativar ($\delta$) e como orientar suas câmeras ($\Delta\theta$).
• Função de Recompensa: Projetada para equilibrar três fatores:
  1. Eficiência energética (penalizar ativações desnecessárias).
  2. Cobertura espacial (recompensar a fração do perímetro coberta).
  3. Qualidade de detecção (penalizar detecções tardias e falhas).

3. Contribuições Principais

1. Sistema de Geofencing Proativo: Propõe uma arquitetura com uma zona de perímetro externa para detecção antecipada de intrusos antes que cruzem a fronteira protegida.
2. Modelo de Potência de Sensoriamento Direcional: Desenvolve uma função matemática que funde o decaimento de distância e o mascaramento do FoV para quantificar a confiança de detecção ao longo do tempo.
3. Otimização Conjunta via RL: Formula o problema de proteção de área onde o AP controla dinamicamente a atividade, o reporte e a orientação dos dispositivos para equilibrar confiabilidade, tempo de resposta e sustentabilidade energética.
4. Redução de Densidade de Dispositivos: Demonstra que o controle baseado em RL, consciente da mobilidade do alvo, permite reduzir significativamente a densidade de sensores necessária em comparação com grades estáticas, mantendo altos níveis de confiabilidade.

4. Resultados e Análise

Os resultados foram validados através de simulações numéricas comparando a abordagem proposta (RL) com uma base de grade estática (grid baseline).

• Confiabilidade vs. Densidade: Para atingir uma confiabilidade de detecção de 99,9%, a abordagem RL necessita de menos dispositivos do que a grade estática, especialmente em regimes de baixo consumo (ciclos de trabalho longos/tight duty cycles). A RL consegue realocar o esforço de sensoriamento para os dispositivos mais relevantes na trajetória do intruso.
• Oportunidade de Detecção (Timeliness): A abordagem RL mantém uma probabilidade de detecção precoce ($P_{early}$) e um tempo médio de detecção ($E[T_{det}]$) superiores à grade estática à medida que o ciclo de trabalho aumenta. A grade estática sofre com "buracos" temporais de sensoriamento, enquanto a RL foca nos dispositivos no caminho do intruso.
• Disponibilidade de Energia: A tabela de resultados mostra que a abordagem RL mantém níveis de energia média significativamente mais altos e evita que os dispositivos entrem em estado de "depleção" (esgotamento total), garantindo maior disponibilidade contínua da rede. A grade estática tende a esgotar a energia de muitos dispositivos mais rapidamente.

5. Significado e Conclusão

O artigo demonstra que é possível realizar geofencing "frugal" (econômico em recursos) em ambientes de IoT sustentáveis. A integração de modelos de sensoriamento direcional com controle inteligente baseado em RL permite:

• Reduzir o custo de implantação (menos câmeras/sensores).
• Aumentar a vida útil da rede ao gerenciar melhor a energia.
• Garantir detecção mais rápida e confiável de intrusos, essencial para infraestruturas críticas e segurança.

A solução proposta supera as limitações das abordagens tradicionais que não consideram a intermitência da energia e a direcionalidade dos sensores, oferecendo um caminho viável para redes de sensores autônomas de longo prazo.