参与式感知（Participatory Sensing）：机遇与挑战
每个人对周围的环境都有丰富的感知功能，每一个内置了传感器（GPS、加速度、时间、声音、图像等）的手机也都是一个综合的传感器平台。如果城市中每一个草根都将自己或自己手机感知的数据汇集起来，可以形成强大的感知能力，这就是参与式感知。
参与式感知具有覆盖面广、数据丰富、不需要额外软硬件投资等优点。个人认为这是一个十分有潜力的研究领域。这个领域仍存在一些需要进一步解决的技术问题：
1， 如何保障数据的可信性。因为传感器并非属于某个统一的团体，而且传感器属于各自独立行为的个人，且这些个人可能并不具备与感知技术或特定应用领域的相关知识和技能，因此其感知的数据可能不准确。应该在基础设施的层面建立起一种数据认证、校验的机制。例如，数据采集的时间和地点信息不由数据采集者指定，而是在上传数据时由网络来标定（比如，由上传数据的基站标定地点，确定数据上传的网络时间）。又如，数据上传到网络后，某个区域设置一个数据汇集的cloudlet，对地域上相近的各个数据进行分析，将离群点数据分离出来，并提供一些通用的数据聚集服务。
2， 如何保护个人隐私。应该为用户提供可灵活定义数据贡献策略的能力，使用户可以方便的决定何时、何地、提供何种数据。
3， 如何制定自适应的数据采集协议。为提高数据采集的效率，散布在很大范围内的多个草根数据采集者应该尽量协同工作。例如，对于采集实时交通流量的应用，如果某一时间，某一地段的用户较多，提供的数据较为丰富，为建立此地区交通流量估计模型提供了足够的数据，那么此时应该告知那些采集数据志愿者（人或者手机等便携设备），可以减少数据的采集和发送，以节约能量，避免浪费。相反，如果某个地区的数据很少，则可以告知相关的数据采集者，鼓励其提供数据，以满足应用的需求。
4， 如何在多维数据空间中利用稀疏的采样数据对缺乏统一模型的现象建模。因为各个数据贡献者提供的数据往往表征了其自身的一些特点，利用这些数据可能可以对与其具有相似特征的对象建立数学模型。然而在不同对象特征不一至，且采样数据稀疏的情况下，如何建立一个统一的模型来为刻画其他对象呢？这是一个较为深层次的技术问题。例如：UIUC的学者做了一个这样的研究。在一些志愿者的汽车上安装传感器，采集发动机的一些实时数据，并结合地图信息、地理位置信息、交通流量信息等，分析从A地到B地最省油的路线，即所谓GreenGPS项目。这个最省油的路线并非最短路线，也非最快速路线，且与每台汽车的发动机参数相关。因为志愿者数量有限，不能所有类型的汽车数据都齐全，因此需要根据稀疏采样数据，来分析一个适用于所有类型各类汽车的最省油路线计算模型。这是一个挑战，也是Participatory Sensing所特有的挑战。
