[論文レビュー] Data-driven Sparse Sensor Placement

Krithika Manohar|arXiv (Cornell University)|Jan 1, 2019

Sparse and Compressive Sensing Techniques参考文献 96被引用数 13

ひとこと要約

本論文は、高次元状態の正確な再構成に必要な最小限のセンサーを選択するデータ駆動型スパースセンサー配置手法を提案する。この手法は、特化した固有直交分解（POD）基底において測定を最適化することで実現される。POD基底に対してQR列ピボットを適用することで、実世界のデータセットにおいてもランダムセンシングを上回る性能を発揮し、最小限のセンサーコストで効率的かつ低遅延の状態推定を可能にする。

ABSTRACT

Sensor placement or selection is one of the most challenging unsolved problems in engineering. Optimizing sensor placement to characterize a high-dimensional system is critical for the downstream tasks of prediction, estimation, and control. The central focus of this paper is to select the best and fewest measurement locations for reconstruction in a given basis. This goal implicitly assumes that the high-dimensional state has a compact representation in some known basis, and this inherent compressibility enables sparse sensing. We compare two leading perspectives: 1) compressed sensing with random measurements in a universal basis (Fourier, wavelets, etc.), and 2) optimized measurements in a tailored basis, leveraging the ability of machine learning to exploit patterns in data. We synthesize concepts from sensor selection and model reduction to find the fewest sensors for recovery in a data-driven proper orthogonal decomposition (POD) basis. Optimized sensors are efficiently chosen using QR column pivots of the POD basis. Sensors obtained through this method are shown to surpass the performance of random sensors in the reconstruction of high-dimensional states in several compelling real-world datasets. Reducing the number of sensors through principled selection may be critically enabling when sensors are costly, and may also enable faster state estimation for low latency, high bandwidth control. MATLAB code is provided for all examples.

研究の動機と目的

• 高次元システム状態の正確な再構成に必要な最小限のセンサーを選択する課題に対処すること。
• ユニバーサル基底（例：フーリエ、ウェーブレット）におけるランダム測定と、データ駆動型で特化した基底における最適化測定を比較すること。
• 機械学習およびモデル還元技術を活用して、センサー配置の効率性と再構成精度を向上させること。
• 原理的な選択によりセンサー数を削減することで、低遅延・高帯域幅の制御を可能にすること。
• QR列ピボットをPOD基底に適用した実用的で効率的なアルゴリズムを提供すること。

提案手法

• 本手法は、高次元状態をコンactに表現する低次元基底を特定するためにデータ駆動型固有直交分解（POD）を用いる。
• センサーは、POD基底における情報量の増加を最大化する測定位置を選択することで最適化され、QR列ピボットを用いて最も情報量の多い列を特定する。
• 本手法は、状態がPOD基底においてコンパクトに表現可能であると仮定しており、内在的な圧縮性を活かしたスパースセンシングを可能にする。
• 性能の妥当性を検証するため、実世界のデータセットに本手法を適用し、ユニバーサル基底におけるランダムセンシングと比較する。
• アルゴリズムは計算的に効率的かつスケーラブルであり、再現性を確保するためMATLABコードを提供する。
• 選択プロセスは、情報量の多い基底ベクトルを優先順位として選ぶグリーディー列選択問題として定式化される。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型POD基底における最適化センサー配置は、フーリエまたはウェーブレットなどのユニバーサル基底におけるランダムセンシングと比べてどのように異なるか？
• RQ2 最小限のセンサー数でスパースセンシングを実施することで、高次元状態の高精度な再構成が達成可能か？
• RQ3 POD基底におけるセンサー選択にQR列ピボットを用いることで、ランダム選択に比べてどの程度の性能向上が得られるか？
• RQ4 本手法は、異なるシステムダイナミクスを示す多様な実世界データセットにおいて、どのようにスケーリングするか？
• RQ5 再構成精度を損なわず、センサー数をどの程度まで削減できるか？

主な発見

• 提案手法は、複数の実世界データセットにおいて、ランダムセンシングを著しく上回る再構成精度を達成した。
• POD基底に対してQR列ピボットを用いて選択されたセンサーは、ランダム測定に比べて少ないセンサー数でより高い再構成忠実度を達成した。
• データ駆動型アプローチにより、センサー数を削減しながらも正確な状態再構成が可能となり、コスト削減とより迅速な推定が実現された。
• 本手法は多様なデータセットに対して頑健であり、ベースラインのランダムセンシングに比べて一貫した性能向上を示した。
• ユニバーサル基底（例：フーリエ、ウェーブレット）に比べ、特化したPOD基底の使用が、より優れたセンサー効率性をもたらした。
• 提供されたMATLAB実装により、再現性が確保され、工学的応用への実用的導入が可能となった。