[論文レビュー] A General Regularized Distributed Solution for System State Estimation from Relative Measurements

Marco Fabris, Giulia Michieletto+1 more|arXiv (Cornell University)|Aug 6, 2021

Distributed Control Multi-Agent Systems参考文献 17被引用数 8

ひとこと要約

本稿では、スパムネットワークにおける相対測定値からのシステム状態推定のための一般化正則化分散解（GRDS）を提案する。グラフベースの最小二乗フレームワークに可変パラメータの正則化行列 Q を組み込み、任意の無向連結グラフに対して収束を保証するとともに、小規模世界的・対称的トポロジにおいて特に優れた収束性能を実現する。本手法は、従来の最良手法 Σϵ、Ση、Σρ よりも優れた収束速度を達成するため、拡張されたパラメータドメインにおける最適パラメータ選定を可能にしている。

ABSTRACT

This work presents a novel general regularized distributed solution for the state estimation problem in networked systems. Resting on the graph-based representation of sensor networks and adopting a multivariate least-squares approach, the designed solution exploits the set of the available inter-sensor relative measurements and leverages a general regularization framework, whose parameter selection is shown to control the estimation procedure convergence performance. As confirmed by the numerical results, this new estimation scheme allows (i) the extension of other approaches investigated in the literature and (ii) the convergence optimization in correspondence to any (undirected) graph modeling the given sensor network.

研究の動機と目的

• 任意の無向トポロジを持つセンサーネットワークにおいて、ノイズの多い相対測定値からの分散型システム状態推定の課題に対処すること。
• 複雑なネットワーク構造に対して一般性に欠け、最適パラメータチューニングが不十分な既存の正則化に基づく手法の限界を克服すること。
• Ση、Σρ、Σϵ といった先行手法を統合・拡張する、単一の汎用正則化行列 Q に基づく統一フレームワークを構築すること。
• 従来の制限を超えて正則化パラメータの定義域を拡張することで、収束性能の最適化を可能にすること。
• 収束速度の向上、特に小規模世界的・対称的ネットワークにおいて、最適正則化パラメータを体系的に選定する手法を提供すること。

提案手法

• センサーノードを頂点、相対測定値を辺として表すグラフベースのモデルを用いて、状態推定問題を定式化する。
• 多変量最小二乗法を適用し、推定された相対状態と真の状態との誤差を最小化する。正則化行列 Q を導入することで解の安定性を向上させる。
• Q を非負の対角行列 qi ≥ 0 として定義する一般正則化フレームワークを導入し、収束挙動に対する柔軟な制御を可能にする。
• ラプラシアン行列の固有値特性と ςL の値に基づき、集中型最小二乗解への収束を保証する十分条件を導出する。
• 正則化行列 Q に重み付けされたコセンサス型更新を用いた反復的分散アルゴリズムを提案する。
• 収束速度指数（CRI）を最小化するためのグリーディーヒューリスティックを用いて、qi 値を反復的に最適化する。これにより、固定値またはヒューリスティックな選定に比べて性能向上を実現する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、既存の分散状態推定手法を統合・拡張できる一般化正則化フレームワークを設計できるか？
• RQ2 正則化行列 Q にどのような条件を課すことで、分散推定アルゴリズムが集中型最小二乗解へ収束するか？
• RQ3 標準的な定義域を超えて拡張された正則化パラメータを選定した場合、異なるネットワークトポロジにおける収束速度にどのような影響を与えるか？
• RQ4 特に小規模世界的または対称的ネットワークにおいて、提案された GRDS フレームワークは既存手法に比べてどの程度の改善をもたらすか？
• RQ5 収束速度指数（CRI）を最小化する最適な正則化パラメータの選定を、分散的に体系的に行うことは可能か？

主な発見

• GRDS フレームワークは、正則化パラメータの定義域を拡張することで、既存手法 Ση、Σρ、Σϵ を特定のインスタンスとして包含・一般化する。
• 小規模世界的・対称的トポロジ（例：フレンドシップグラフや巡回グラフ）において、GRDS はすべての先行手法より低い収束速度指数（CRI）を達成する。小規模世界ケースでは rQ* = 0.936 を達成する。
• 巡回グラフ C36(1,2) では、GRDS は rQ* = 0.953 を達成し、Ση や Σρ（r0 = 0.962）を上回り、Σϵ の最適性能と同等の性能を発揮する。
• フレンドシップグラフ（n=19, ςL=1）では、GRDS は rQ* = 0.5 を達成し、これは最適であり、Ση や Σρ の最良性能と一致する。一方、Σϵ は性能が劣り（rϵ* = 0.9）、劣化している。
• ラマヌジャングラフ（n=16, ςL > 1）では、最適化された Q* を用いた GRDS が rQ* = 0.787 を達成し、Ση、Σρ、Σϵ（r = 0.799）を上回り、一貫した性能向上を示す。
• グリーディーヒューリスティックによる qi の反復的最適化により、固定パラメータ手法が最適性能に到達できない複雑なトポロジにおいても、収束速度の向上が実現可能である。