[論文レビュー] Distributed and Recursive Parameter Estimation in Parametrized Linear State-Space Models

S. Sundhar Ram, Venugopal V. Veeravalli+1 more|ArXiv.org|Apr 10, 2008

Target Tracking and Data Fusion in Sensor Networks参考文献 14被引用数 4

ひとこと要約

本稿では、センサーネットワークにおけるパラメータ付き線形状態空間モデルに対して、分散的かつ再帰的なパrameter推定アルゴリズム、すなわち増分的再帰予測誤差（IRPE）アルゴリズムを提案する。このアルゴリズムにより、センサが局所データと隣接ノードの情報を使って反復的に推定値を更新することで、オンラインでエネルギー効率の良い推定が可能となり、一般の条件下で真のパrameterに収束する。応用例として、倉庫内におけるガス漏れ源の特定が行われる。

ABSTRACT

We consider a network of sensors deployed to sense a spatio-temporal field and estimate a parameter of interest. We are interested in the case where the temporal process sensed by each sensor can be modeled as a state-space process that is perturbed by random noise and parametrized by an unknown parameter. To estimate the unknown parameter from the measurements that the sensors sequentially collect, we propose a distributed and recursive estimation algorithm, which we refer to as the incremental recursive prediction error algorithm. This algorithm has the distributed property of incremental gradient algorithms and the on-line property of recursive prediction error algorithms. We study the convergence behavior of the algorithm and provide sufficient conditions for its convergence. Our convergence result is rather general and contains as special cases the known convergence results for the incremental versions of the least-mean square algorithm. Finally, we use the algorithm developed in this paper to identify the source of a gas-leak (diffusing source) in a closed warehouse and also report numerical simulations to verify convergence.

研究の動機と目的

• リアルタイムでエネルギー制約のあるセンサーネットワークに適した分散的かつ再帰的な推定アルゴリズムの開発を目的とする。
• 中央集権的なデータ統合なしに、パラメータ付き線形状態空間モデルにおけるオンラインパラメータ推定を可能とすること。
• 要約統計量と増分的更新のみを用いることで、通信コストとメモリコストを低減すること。
• 従来の増分的および再帰的手法の研究を拡張し、一般の条件下でアルゴリズムの収束保証を提供すること。
• 実世界の問題に応用する：27台のセンサを用いた倉庫内におけるガス漏れ源の特定

提案手法

• IRPEアルゴリズムは、増分的勾配更新と再帰的予測誤差推定を組み合わせ、分散的かつオンラインでのパラメータ更新を可能にする。
• センサがサイクルを形成し、順次推定値を更新する。各センサは局所測定値と、上流の隣接ノードから受信した推定値を使用する。
• 各センサは局所推定値と予測誤差を維持し、予測誤差に基づく勾配に類似した更新則を用いて再帰的に更新する。
• アルゴリズムは固定ステップサイズを用い、モデルおよび測定プロセスに対して弱い仮定のもとで、パラメータ推定が真の値に収束することを保証する。
• センサをクラスタにグループ化し、クラスタ内での平均化を実施した後、クラスタ間での増分的更新を行うハイブリッド版を提案する。
• アドベクション・ディフュージョン方程式をグリーン関数法を用いて変換することで、状態空間モデルを導出し、ガス漏れ特定問題に応用する。

実験結果

リサーチクエスチョン

• RQ1 線形状態空間モデルに対して、真のパラメータに収束することを保証する分散的かつ再帰的なパラメータ推定アルゴリズムを設計できるか？
• RQ2 収束性と精度の観点から、分散IRPEアルゴリズムは中央集権的および非増分的分散手法と比べてどのように性能を発揮するか？
• RQ3 ネットワークトポロジーとクラスタリングは、IRPEアルゴリズムの収束行動にどのような影響を及ぼすか？
• RQ4 ノイズを含む実世界のセンサデータと、共通の下位プロセスからの空間的に分散された観測値に対しても、アルゴリズムは適応可能か？
• RQ5 非凸の推定問題において、IRPEアルゴリズムはどのような条件下で局所最適解に陥らないか？

主な発見

• IRPEアルゴリズムは、モデルおよび測定ノイズに関する弱い仮定のもとで、一般の条件下で真のパラメータ値に収束することが確認された。
• 標準的なIRPEアルゴリズムは、センサ間の情報共有が不十分なため、シミュレーションで正しい漏れ源位置に収束せず、局所最適解に陥ることがわかった。
• センサをクラスタに分け、クラスタ内での平均化を適用したハイブリッドIRPEバージョンでは、真の漏れ源位置（x*=37, y*=48）に正常に収束した。
• 中央集権的RPE手法が最も優れた性能を示したが、ハイブリッドIRPEは通信量とメモリ使用量を大幅に削減しながら、ほぼ最適な性能を達成した。
• アルゴリズムは、各センサで定数のメモリ使用量と、1タイムスロットあたり最小限の通信量でリアルタイム推定を実現でき、無線センサーネットワークに適している。
• 27台のセンサを用いた実験により、非ベイズ的かつ分散型の設定下でも、ガス漏れを実際に効果的に特定でき、実用的応用の有効性が示された。