[論文レビュー] Distributed Algorithms for Stochastic Source Seeking with Mobile Robot Networks: Technical Report

Nikolay Atanasov, Jérôme Le Ny+1 more|arXiv (Cornell University)|Feb 1, 2014

Distributed Control Multi-Agent Systems参考文献 35被引用数 5

ひとこと要約

本稿では、2つのシナリオ—モデルフリーおよびモデルベース—における移動ロボットネットワークの分散確率的ソース探索アルゴリズムを提案する。モデルフリーの場合、ロボットはノイズのある信号測定値に基づき分散型確率的勾配上昇を用いて局所的ソース最大値に収束する。モデルベースの場合、センサ測定値とソース位置の相互情報量を分散型勾配近似を用いて最大化する。主な貢献は、グローバルローカライゼーションや完全なフォーメーション維持を必要とせず、収束性とロバスト性を保証する分散型アルゴリズムである。

ABSTRACT

Autonomous robot networks are an effective tool for monitoring large-scale environmental fields. This paper proposes distributed control strategies for localizing the source of a noisy signal, which could represent a physical quantity of interest such as magnetic force, heat, radio signal, or chemical concentration. We develop algorithms specific to two scenarios: one in which the sensors have a precise model of the signal formation process and one in which a signal model is not available. In the model-free scenario, a team of sensors is used to follow a stochastic gradient of the signal field. Our approach is distributed, robust to deformations in the group geometry, does not necessitate global localization, and is guaranteed to lead the sensors to a neighborhood of a local maximum of the field. In the model-based scenario, the sensors follow the stochastic gradient of the mutual information between their expected measurements and the location of the source in a distributed manner. The performance is demonstrated in simulation using a robot sensor network to localize the source of a wireless radio signal.

研究の動機と目的

• 大規模環境におけるノイズのある信号のソースを局所化するための分散型制御戦略の開発。
• 正確な信号モデルが利用できない状況（モデルフリーのシナリオ）におけるソース局所化の課題に対処すること。
• 信号モデルを活用することで局所化精度と収束速度を向上させるモデルベースの手法の設計。
• センサネットワークの幾何的変形に対してロバストであり、グローバルローカライゼーションを必要としないことの保証。
• 分散計算のもとで、信号ソースの近傍に収束する理論的保証の提供。

提案手法

• モデルフリーのシナリオでは、ロボットが局所的測定値を用いて信号場の確率的勾配を推定し、勾配上昇を実行する分散型確率的近似アルゴリズムを適用する。
• アルゴリズムは各ステップで局所的重みを再計算することでフォーメーションの変形を補償し、ネットワーク幾何的変化に対してロバスト性を確保する。
• モデルベースのシナリオでは、期待される測定値とソース位置の間の相互情報量（MI）の勾配を分散的に計算する。
• 中央集権的計算を必要とせず、再帰的最小二乗法とコンSENSUSベース推定を用いてMI勾配を近似する。
• 状態推定が真のソース位置に収束することを保証するため、Cesàro平均化と行列重み付きコンセンサスを用いる。
• 理論的分析では、マルコフ連鎖の収束性と行列不等式を用いて、時間とともに平均二乗誤差がゼロに収束することを証明する。

実験結果

リサーチクエスチョン

• RQ1 事前に信号モデルを知らない状況下でも、フォーメーションにロバストな分散型アルゴリズムが確率的信号ソースを局所化できるか？
• RQ2 分散型で、センサ測定値とソース位置の間の相互情報量をどのように最大化できるか？
• RQ3 測定ノイズとネットワーク変形が存在する中で、分散型確率的勾配上昇の収束を保証する条件は何か？
• RQ4 コンセンサスベースの平均化と再帰的推定を用いることで、分散型ソース探索における推定精度はどのように向上するか？
• RQ5 提案されたアルゴリズムは、グローバルローカライゼーションや完全なフォーメーションを必要とせず、信号場の局所的最大値に収束できるか？

主な発見

• モデルフリーのアルゴリズムは、フォーメーションが不完全であっても、ノイズのある測定値のもとで信号場の局所的最大値の近傍に収束する。
• Cesàro平均化と行列収束性の性質を用いた理論的証明により、ソース推定の平均二乗誤差は時間とともにゼロに収束する。
• 分散型MI勾配近似により、チームはソース位置に関する情報量の増加を最大化する配置に移動する。
• アルゴリズムはネットワークトポロジーの変化に対してもロバストであり、グローバルローカライゼーションや完全なフォーメーションの維持を必要としない。
• 理論的分析により、与えられた仮定のもとで、状態推定がほとんど確実に真のソース位置に収束することが確認された。
• 収束速度はネットワークの接続性と信号対雑音比に影響を受け、接続性が高く、雑音が少ないネットワークではより速い収束を示す。