[論文レビュー] Belief Consensus Algorithms for Fast Distributed Target Tracking in Wireless Sensor Networks

Vladimir Savić, Henk Wymeersch+1 more|arXiv (Cornell University)|Feb 23, 2012

Distributed Sensor Networks and Detection Algorithms参考文献 31被引用数 5

ひとこと要約

本稿では、集中型協調が不要な高速で頑健かつスケーラブルなターゲット追跡を実現する、無線センサネットワーク（WSN）における分散型パーティクルフィルタリング（DPF）のための信念共感（BC）アルゴリズムを提案し、比較している。メトロポリス信念共感（MBC）はループを含むグラフにおいて最も高速であり、一方、木構造のグラフでは信念伝搬（BP）共感が他の手法を上回り、スパarsなネットワークにおけるデータフラッディングより通信コストが低いことを示している。

ABSTRACT

In distributed target tracking for wireless sensor networks, agreement on the target state can be achieved by the construction and maintenance of a communication path, in order to exchange information regarding local likelihood functions. Such an approach lacks robustness to failures and is not easily applicable to ad-hoc networks. To address this, several methods have been proposed that allow agreement on the global likelihood through fully distributed belief consensus (BC) algorithms, operating on local likelihoods in distributed particle filtering (DPF). However, a unified comparison of the convergence speed and communication cost has not been performed. In this paper, we provide such a comparison and propose a novel BC algorithm based on belief propagation (BP). According to our study, DPF based on metropolis belief consensus (MBC) is the fastest in loopy graphs, while DPF based on BP consensus is the fastest in tree graphs. Moreover, we found that BC-based DPF methods have lower communication overhead than data flooding when the network is sufficiently sparse.

研究の動機と目的

• 集中型または経路ベースの分散型ターゲット追跡の限界を解消するため、ノード障害に脆弱でアドホック展開に不適切なWSNにおける手法の限界を克服すること。
• さまざまなネットワークトポロジーにおいて、5つの信念共感（BC）ベースの分散型パーティクルフィルタリング（DPF）アルゴリズムの収束速度と通信コストを評価・比較すること。
• 既存手法よりも高速な収束を実現する、新しい信念伝搬（BP）ベースの共感アルゴリズムを提案すること。
• 特にグラフのループが存在する状況において、収束速度、通信オーバーヘッド、精度のトレードオフを定量化すること。
• BCベースのDPFがスケーラビリティと頑健性の観点で従来のデータフラッディングを上回る条件を確立すること。

提案手法

• 本稿では、各センサが局所的な尤度と隣接ノードとの情報交換のみを用いて、グローバルなターゲット状態の後方確率を計算可能にする信念共感（BC）アルゴリズムを採用している。
• 標準的信念共感（SBC）、ランダムガスケット（RG）、ブロードキャストベース共感、メトロポリス信念共感（MBC）、信念伝搬（BP）共感の5つのBCベースDPF手法を比較している。
• BP共感の場合、グローバル尤度を近似するために、固定スケジュールで $ D_g + 1 $ 回の反復を実行するメッセージパッシングを用いている。ここで $ D_g $ はグラフの直径を表す。
• 信念更新ルールはメッセージパッシングにより定義され、$ M_n^{(t)}(\boldsymbol{x}_t) \propto \prod_{u \in \mathcal{N}_n} M_u^{(t-1)}(\boldsymbol{x}_t)^{\alpha_{u,n,t}} $ となる。ここで $ \alpha_{u,n,t} $ はノード $ u $ から $ n $ へのパス数を表す。
• ループを含むグラフにおける過剰カウントの分析は、任意のノードにおける尤度の最大指数 $ \alpha_{\text{max}} $ を計算することで行われ、これが推定バイアスを決定づける。
• 理論的分析とシミュレーションを用いて、完全接続、サイクル、ループ付きグラフを含むさまざまなネットワークトポロジーにおける収束速度と通信コストを比較している。

実験結果

リサーチクエスチョン

• RQ1 異なる信念共感アルゴリズムは、ターゲット追跡のための分散型パーティクルフィルタリングにおいて、収束速度と通信コストの観点でどのように比較されるか？
• RQ2 信念伝搬（BP）共感はどのようなネットワークトポロジーで正確なグローバル尤度推定を達成し、過剰カウントが発生するか？
• RQ3 短いループがループ付きグラフにおけるBP共感の性能と精度にどのように影響するか？
• RQ4 BCベースのDPFが通信オーバーヘッドとスケーラビリティの観点でデータフラッディングを上回る条件は何か？
• RQ5 スパarsで動的かつ障害に強いWSNにおける分散型ターゲット追跡に最適な共感アルゴリズムは何か？

主な発見

• ループを含むグラフでは、メトロポリス信念共感（MBC）が最も速い収束速度を示し、SBC、RG、ブロードキャストベース共感を上回っている。
• 木構造のグラフでは、信念伝搬（BP）共感が最も速く収束し、$ \alpha_{\text{max}} = 1 $ の場合、$ D_g + 1 $ 回の反復後に正確なグローバル尤度推定が達成される。
• 奇数長のサイクルを含むグラフでは、$ \alpha_{\text{max}} = 1 $ であるため、$ D_g + 1 $ 回の反復で正しい推定が得られる。一方、偶数長のサイクルでは $ \alpha_{\text{max}} = 2 $ となり、過剰カウントが発生する。
• 短いループ（3ノードサイクル）を含むグラフでは、$ \alpha_{\text{max}} = 1 + 2N_{\text{short-loops}} $ となり、ループ数の増加に伴い無限大に発散する可能性があり、推定精度が低下する。
• BCベースのDPF手法は、十分にスパarsなネットワークではデータフラッディングよりも通信オーバーヘッドが低く、大規模なWSNにおいてよりスケーラブルである。
• 本稿では、BP共感が非循環グラフで最適であり、MBCが高密度またはループを含むグラフで最適であることを確認しており、DPFシステムにおけるトポロジーに応じた設計選択肢を提供している。