信息物理系统的正确运行至关重要。在医疗、汽车和许多其他应用等安全关键系统中更是如此。由于正确性的验证通常是不可行的，测试也不是详尽的，因此在系统运行过程中对其进行监控并发现要采取的错误行为是至关重要的。

研究了当系统状态不可完全观测时，系统的行为是随机的，被监视的性质在系统轨迹上被指定的监测技术。从理论上定义了可监控性和强可监控性两个概念，并给出了表征它们的充分必要条件。在将系统建模为随机混合自动机，并将其属性指定为安全自动机或活动自动机的情况下，提出了一般的监测技术。状态估计是监测中的另一个关键步骤，因为状态估计是根据系统行为定义的，而系统行为是隐藏的和部分可观察的。该混合状态框架采用rao - blackwell粒子滤波。

当一组传感器探测一个标量场时，例如，在墨西哥湾的石油泄漏集中时，在感兴趣的区域将它们部署在哪里总是一个问题。总的来说，传感器的部署满足了我们的需求，比如覆盖整个感兴趣的区域。
在我们的项目中，我们需要更多的传感器来覆盖该部分的信息量比其他部分高的部分。因此，我们需要对感兴趣区域上的每个点进行索引，以量化信息密度。在我们的研究中，我们发现曲率是一个很好的选择来量化场的信息密度。根据定义，曲面的曲率描述了曲面偏离平面的量。在某一点上，曲率越高，表面弯曲得越厉害。因此，该点具有较高的信息密度。由于曲率是场的函数，也就是说，它不能直接从传感器中读取，我们从近似场的样条曲线中估计它。此外，所有传感器都是移动传感器。因此，应该嵌入一步一步的运动算法来驱动它们到最佳的传感配置，这意味着在每个传感器的责任区域内，曲率的积分，即信息量，应该是相同的。
如果有一个中央服务器收集传感器读数和所有传感器节点的位置，则很容易达到最佳部署。然而，我们想让我们的任务成为一个更具有挑战性的分布式任务。在我们的问题设置中，我们假设没有中心服务器，每个传感器节点仅根据其即时邻居提供的信息决定移动到哪里。
因此，我们面临两个关键问题。第一个是如何用样条曲线近似场。一旦我们知道了场，我们就可以通过场计算曲率。第二种方法是基于局部信息，其中每个传感器应该移动以实现全局优化部署。