The recent developments in both nanotechnologies and wireless technologies have enabled the rise of small, low-cost and energy-efficient environmental sensing devices. Many projects involving dense sensor networks deployments have followed, in particular, within the Smart City trend. If such deployments are now within economical and technical reach, their maintenance and reliability remain, however, a challenge. In particular, reaching, then maintaining, the targeted quality of measurement throughout deployment duration is an important issue. Indeed, factory calibration is too expensive for systematic application to low-cost sensors, as these sensors are usually prone to drifting because of premature aging. In addition, there are concerns about the applicability of factory calibration to field conditions. These challenges have fostered many researches on in situ calibration. In situ means that the sensors are calibrated without removing them from their deployment location, preferably without physical intervention, often leveraging their communication capabilities. It is a critical challenge for the economical sustainability of networks with large-scale deployments. In this paper, we focus on in situ calibration methods for environmental sensor networks. We propose a taxonomy of the methodologies in the literature. Our classification relies on both the architecture of the network of sensors and the algorithmic principles of the calibration methods. This review allows us to identify and discuss two main challenges: how to improve the performance evaluation of such methods and how to enable a quantified comparison of these strategies?

In recent years, low-cost sensors have raised strong interest for environmental monitoring applications. These instruments often suffer from degraded data quality. Notably, they are prone to drift. It can be mitigated with costly periodic calibrations. To reduce this cost, in situ calibration strategies have emerged, enabling the recalibration of instruments while leaving them in the field. However, they rarely identify which instruments actually need a calibration because of drift, so that in situ calibration may instead degrade performances. Therefore, a novel drift detection algorithm is presented in this work, exploiting the concept of rendez-vous between measuring instruments. Its originality lies mainly in the comparisons of values determining the state of the instruments, for which the quality of the measurement results is taken into account. It defines the concept of compatibility between measurement results. A case study is developed, showing an accuracy of 88% for correct detection of drifting instruments. The results of the diagnosis algorithm are then combined with calibration approaches. Results show a significant improvement of the measurement results. Notably, an increase of 15% of the coefficient of determination of the linear regression between their true values and the measured values is observed with the correction and the error on the slope and on the intercept respectively is reduced by 50% and 60% at least. Note to Practitioners—In this paper, we investigate the problem of drift detection in sensor networks. This work was motivated by the fact that faulty nodes are rarely detected in existing in situ calibration algorithm prior to the correction of the instruments. Moreover, existing fault diagnosis algorithms for sensor networks do not specifically target drift and are often applicable to either (dense) static or mobile sensor networks but not both. We propose an algorithm designed for the detection of drift faults regardless of the type of sensor network and of the measurand. Specific attention is paid to the metrological quality of the measurement results used to carry out the diagnosis. The output of the algorithm provides information that can be exploited for the recalibration of faulty instruments. In future work, we will aim at providing tools and recommendations for the adjusment of the parameters of the diagnosis algorithm but also more elaborated approaches based on the results of our diagnosis algorithm to calibrate faulty nodes.

The drastically increasing availability of low-cost sensors for environmental monitoring has fostered a large interest in the literature. One particular challenge for such devices is the fast degradation over time of the quality of their data. Therefore, the instruments require frequent calibrations. Traditionally, this operation is carried out on each sensor in dedicated laboratories. This is not economically sustainable for dense networks of low-cost sensors. An alternative that has been investigated is in situ calibration: exploiting the properties of the sensor network, the instruments are calibrated while staying in the field and preferably without any physical intervention. The literature indicates there is wide variety of in situ calibration strategies depending on the type of sensor network deployed. However, there is a lack for a systematic benchmark of calibration algorithms. In this paper, we propose the first framework for the simulation of sensor networks enabling a systematic comparison of in situ calibration strategies with reproducibility, and scalability. We showcase it on a primary test case applied to several calibration strategies for blind and static sensor networks. The performances of calibration are shown to be tightly related to the deployment of the network itself, the parameters of the algorithm and the metrics used to evaluate the results. We study the impact of the main modelling choices and adjustments of parameters in our framework and highlight their influence on the results of the calibration algorithms. We also show how our framework can be used as a tool for the design of a network of low-cost sensors.

Monitoring Activities of Daily Living (ADL) has become a major occupation to respond to the aging population and prevent frailty. To do this, the scientific community is using Machine Learning (ML) techniques to learn the lifestyle habits of people at home. The most-used formalism to represent the behaviour of the inhabitant is the Hidden Markov Model (HMM) or Probabilistic Finite Automata (PFA), where events streams are considered. A common decomposition to design ADL using a mathematical model is Activities–Actions–Events (AAE). In this paper, we propose mathematical criteria to evaluate a priori the performance of these instrumentations for the goals of ADL recognition. We also present a case study to illustrate the use of these criteria.

Étalonnage in situ de l'instrumentation bas coût pour la mesure de grandeurs ambiantes : méthode d'évaluation des algorithmes et diagnostic des dérives: Dans de nombreux domaines allant de l'agriculture à la santé publique, des grandeurs ambiantes doivent être suivies dans des espaces intérieurs ou extérieurs. On peut s'intéresser par exemple à la température, aux polluants dans l'air ou dans l'eau, au bruit, etc. Afin de mieux comprendre ces divers phénomènes, il est notamment nécessaire d'augmenter la densité spatiale d'instruments de mesure. Cela pourrait aider par exemple à l'analyse de l'exposition réelle des populations aux nuisances comme les polluants atmosphériques.Le déploiement massif de capteurs dans l'environnement est rendu possible par la baisse des coûts des systèmes de mesure, qui utilisent notamment des éléments sensibles à base de micro ou nano technologies. L’inconvénient de ce type de dispositifs est une qualité de mesure insuffisante. Il en résulte un manque de confiance dans les données produites et/ou une hausse drastique des coûts de l’instrumentation causée par les opérations nécessaires d'étalonnage des instruments ou de remplacement périodique des capteurs.Il existe dans la littérature de nombreux algorithmes qui offrent la possibilité de réaliser l'étalonnage des instruments en les laissant déployés sur le terrain, que l'on nomme techniques d'étalonnage in situ.L'objectif de cette thèse est de contribuer à l'effort de recherche visant à améliorer la qualité des données des instruments de mesure bas coût à travers leur étalonnage in situ.En particulier, on vise à 1) faciliter l'identification des techniques existantes d'étalonnage in situ applicables à un réseau de capteurs selon ses propriétés et les caractéristiques des instruments qui le composent ; 2) aider au choix de l'algorithme le plus adapté selon le réseau de capteurs et son contexte de déploiement ; 3) améliorer l'efficacité des stratégies d'étalonnage in situ grâce au diagnostic des instruments qui ont dérivé dans un réseau de capteurs.Trois contributions principales sont faites dans ces travaux. Tout d'abord, une terminologie globale est proposée pour classer les travaux existants sur l'étalonnage in situ. L'état de l'art effectué selon cette taxonomie a montré qu'il y a de nombreuses contributions sur le sujet, couvrant un large spectre de cas. Néanmoins, le classement des travaux existants selon leurs performances a été difficile puisqu'il n'y a pas d'étude de cas de référence pour l'évaluation de ces algorithmes.C'est pourquoi dans un second temps, un cadre pour la simulation de réseaux de capteurs est introduit. Il vise à guider l'évaluation d'algorithmes d'étalonnage in situ. Une étude de cas détaillée est fournie à travers l'évaluation d'algorithmes pour l'étalonnage in situ de réseaux de capteurs statiques et aveugles. Une analyse de l'influence des paramètres et des métriques utilisées pour extraire les résultats est également menée. Les résultats dépendant de l'étude de cas, et la plupart des algorithmes réétalonnant les instruments sans évaluer au préalable si cela est nécessaire, un outil d'identification permettant de déterminer les instruments qui sont effectivement fautifs en termes de dérive serait précieux.Dès lors, la troisième contribution de cette thèse est un algorithme de diagnostic ciblant les fautes de dérive dans les réseaux de capteurs sans faire d'hypothèse sur la nature du réseau de capteurs considéré. Basé sur le concept de rendez-vous, l'algorithme permet d'identifier les instruments fautifs tant qu'il est possible de supposer qu'un instrument n'est pas fautif dans le réseau de capteurs. À travers l'analyse des résultats d'une étude de cas, nous proposons différents moyens pour diminuer les faux résultats et des recommandations pour régler les paramètres de l'algorithme. Enfin, nous montrons que l'algorithme de diagnostic proposé, combiné à une technique simple d'étalonnage, permet d'améliorer la qualité des résultats de mesure. Ainsi, cet algorithme de diagnostic ouvre de nouvelles perspectives quant à l'étalonnage in situ.