[論文レビュー] Distributed Parameter Estimation in Sensor Networks: Nonlinear Observation Models and Imperfect Communication

Soummya Kar, José M. F. Moura+1 more|arXiv (Cornell University)|Aug 29, 2008

Distributed Control Multi-Agent Systems参考文献 66被引用数 32

ひとこと要約

本稿では、非線形観測モデルとノイズのある通信を有するセンサネットワークにおける分散型パラメータ推定アルゴリズムを、コアリティ＋イノベーションフレームワークを用いて提案する。分離推定可能性と平均的連結性の条件下で、確率的収束性、漸近的不偏性、漸近的正規性を確立し、確率的近似理論と新規の混合時間スケールダイナミクス解析を用いて、線形および非線形バージョンの両方に対して収束速度の保証を提示する。

ABSTRACT

The paper studies distributed static parameter (vector) estimation in sensor networks with nonlinear observation models and noisy inter-sensor communication. It introduces \emph{separably estimable} observation models that generalize the observability condition in linear centralized estimation to nonlinear distributed estimation. It studies two distributed estimation algorithms in separably estimable models, the $\mathcal{NU}$ (with its linear counterpart $\mathcal{LU}$) and the $\mathcal{NLU}$. Their update rule combines a \emph{consensus} step (where each sensor updates the state by weight averaging it with its neighbors' states) and an \emph{innovation} step (where each sensor processes its local current observation.) This makes the three algorithms of the extit{consensus + innovations} type, very different from traditional consensus. The paper proves consistency (all sensors reach consensus almost surely and converge to the true parameter value,) efficiency, and asymptotic unbiasedness. For $\mathcal{LU}$ and $\mathcal{NU}$, it proves asymptotic normality and provides convergence rate guarantees. The three algorithms are characterized by appropriately chosen decaying weight sequences. Algorithms $\mathcal{LU}$ and $\mathcal{NU}$ are analyzed in the framework of stochastic approximation theory; algorithm $\mathcal{NLU}$ exhibits mixed time-scale behavior and biased perturbations, and its analysis requires a different approach that is developed in the paper.

研究の動機と目的

• 非線形観測モデルと不完全な通信を有するセンサネットワークにおける分散推定を扱い、従来のコアリティ法や集中型手法では不十分な状況を対処すること。
• 線形推定における可観測性条件を、非線形分散推定設定に一般化するための「分離推定可能性」の概念を用いること。
• コアリティとイノベーションステップを統合した分散アルゴリズムを設計・分析し、すべてのセンサが真のパラメータ値に収束することを保証すること。
• 線形および非線形観測モデルの両方に対して、一貫性、不偏性、効率性、漸近的正規性といった理論的保証を確立すること。
• 混合時間スケール行動とバイアス付き摂動を有するアルゴリズムを分析するための新しい解析フレームワークを構築すること。

提案手法

• 分離推定可能な観測モデルの概念を導入し、非線形分散推定へのグローバル可観測性の一般化を実現する。
• 3つのアルゴリズムを提案：$\mathcal{LU}$（線形）、$\mathcal{NU}$、$\mathcal{NLU}$。これらはすべて、局所平均化と局所観測処理を組み合わせたコアリティ＋イノベーション更新ルールに基づく。
• 時間経過に伴い、コアリティとイノベーションの寄与をバランスさせるために、減衰する重み列を更新ルールに用いる。
• 確率的近似理論を$\mathcal{LU}$および$\mathcal{NU}$の解析に適用する一方、混合時間スケールダイナミクスとバイアス付き摂動を有するため、$\mathcal{NLU}$の解析には新規のフレームワークを構築する。
• スペクトルグラフ理論とラプラシアン行列の性質を用いて、センサ間通信をモデル化し、平均的連結性の下で収束を保証する。
• $\mathcal{L}_2$有界性を導出し、$\lambda_2(\overline{L})$および$\|\widetilde{L}(i)\|$を含む不等式を用いて、推定誤差の漸近的収束を証明する。

実験結果

リサーチクエスチョン

• RQ1 非線形観測モデルと不完全な通信を有するセンサネットワークにおける分散推定は、不完全な通信下でも一貫性および漸近的不偏性を達成可能か？
• RQ2 コアリティ＋イノベーションアルゴリズムは、従来のコアリティ法や集中型推定と比較して、収束性および推定精度においてどのように異なるか？
• RQ3 観測モデルおよび通信ネットワークにどのような条件を課すと、すべてのセンサが真のパラメータ値にコアリティに達するか？
• RQ4 確率的近似理論は、混合時間スケール行動とバイアス付き摂動を有するアルゴリズムを分析するためにどのように拡張可能か？
• RQ5 分離推定可能なモデル下で、分散推定器の収束速度および漸近的分布は何か？

主な発見

• $\mathcal{LU}$および$\mathcal{NU}$アルゴリズムは、確率的収束性を達成しており、すべてのセンサが真のパラメータ値に確率1で収束する。
• アルゴリズムは漸近的に不偏であり、効率的である。$\mathcal{LU}$および$\mathcal{NU}$は指定された条件下で漸近的正規性を達成する。
• $\mathcal{LU}$および$\mathcal{NU}$に関しては、収束速度の保証が得られており、推定誤差が減衰する重み列に依存する速度で減少することが示されている。
• $\mathcal{NLU}$アルゴリズムは、混合時間スケール行動とバイアス付き摂動を示すが、本稿で開発された新規の解析フレームワークにより一貫性が証明されている。
• 列$\{\widehat{\mathbf{x}}(i)\}$が$\mathcal{L}_2$有界であることが示され、推定プロセスの安定性が保証されている。
• 推定誤差$\mathbb{E}_{\mathbf{\theta}^*}[\|\mathbf{y}(i)\|^2]$はゼロに収束し、分散推定値が真のパラメータ値に漸近的に収束することを確認している。