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，在一般情况下，是不可行的，测试是不详尽的，这是至关重要的监控这样的系统在他们的操作和检测错误的行为要采取行动。

研究了当系统状态不可完全观测时，系统的行为是随机的，被监测的性质是在系统轨迹上指定的。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要条件。本文介绍了将系统建模为随机混合自动机，并将其性质指定为安全自动机或活性自动机的情况下的一般监测技术，状态估计是监测中的另一个关键步骤，因为状态估计的性质定义在隐藏的和部分可观察的系统行为上。在这种混合状态框架中采用了Rao-Blackwellised粒子滤波。

当用一组传感器探测一个标量场时，例如，墨西哥湾石油泄漏的浓度，在感兴趣的区域上部署它们总是一个问题。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，我们需要为感兴趣区域上的每个点建立一个索引，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，曲面曲率描述了曲面偏离平面的程度。在某一点上，曲率越大，曲面弯曲越剧烈。相应地，该点的信息密度就越高。由于曲率是场的函数，也就是说，它不能直接从传感器读取，我们通过近似场的样条来估计它。此外，所有的传感器都是移动的。因此，应该嵌入一步一步的运动算法来驱动它们达到最优的传感配置，这意味着在每个传感器的职责区域内，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所有传感器节点的传感器读数和位置，就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，我们假设没有中央服务器，每个传感器节点仅根据其即时邻居提供的信息来决定移动到哪里。
所以，对我们来说有两个关键问题。第一个问题是如何用样条近似场。一旦我们知道了场，我们就可以通过场计算曲率。第二种是基于局部信息，每个传感器应该移动到哪里，以实现全局优化部署。