[논문 리뷰] Approximate Maximum Likelihood Source Localization from Range Measurements Through Convex Relaxation

Pınar Oğuz-Ekim, João Gomes외 3명|arXiv (Cornell University)|2011. 11. 29.

Indoor and Outdoor Localization Technologies참고 문헌 17인용 수 3

한 줄 요약

이 논문은 무선 센서 네트워크에서 노이즈가 있는 거리 측정값으로부터 근사 최대우도 소스 정렬을 위한 두 가지 볼록 relaxation 기반 방법—핵노름을 사용한 소스 정렬(SLNN) 및 ℓ₁-노름을 사용한 소스 정렬(SL-ℓ₁)—을 제안한다. 문제를 준엄한 정수계획법(SDP)으로 재구성함으로써, SLNN는 기존 최신 기술 대비 더 낮은 이완 수준과 뛰어난 정렬 정확도를 달성하며, 특히 가우시안 노이즈 하에서 유리하다. 반면 SL-ℓ₁는 가중 최대우도 재구성과 SDP 이완을 통해 라플라스 노이즈와 이상치를 효과적으로 다룬다.

ABSTRACT

This work considers the problem of locating a single source from noisy range measurements to a set of nodes in a wireless sensor network. We propose two new techniques that we designate as Source Localization with Nuclear Norm (SLNN) and Source Localization with l1-norm (SL-l1), which extend to arbitrary real dimensions, including 3D, our prior work on 2D source localization formulated in the complex plane. Broadly, our approach is based on formulating a Maximum-Likelihood (ML) estimation problem for the source position, and then using convex relaxation techniques to obtain a semidefinite program (SDP) that can be globally and efficiently solved. SLNN directly approximates the Gaussian ML solution, and the relaxation is shown to be tighter than in other methods in the same class. We present an analysis of the convexity properties of the constraint set for the 2D complex version of SLNN (SLCP) to justify the observed tightness of the relaxation. In terms of global accuracy of localization, SLNN outperforms state-of-the-art optimization-based methods with either iterative or closed-form formulations. We propose the SL-l1 algorithm to address the Laplacian noise case, which models the presence of outliers in range measurements. We overcome the nondifferentiability of the Laplacian likelihood function by rewriting the ML problem as an exact weighted version of the Gaussian case, and compare two solution strategies. One of them is iterative, based on block coordinate descent, and uses SLNN as a subprocessing block. The other, attaining only slightly worse performance, is noniterative and based on an SDP relaxation of the weighted ML problem.

연구 동기 및 목표

• 노이즈가 많고 신뢰할 수 없는 거리 측정값을 가진 무선 센서 네트워크에서 정확한 소스 정렬 문제를 해결하기 위해.
• 비볼록 최대우도(ML) 추정 문제에 대해 전역 최적 해를 제공하는 볼록 이완 프레임워크를 개발하기 위해.
• 기존 2차원 복소 평면 방법을 3차원 포함한 임의의 실수 차원으로 확장하면서도, 좁은 이완 수준과 높은 정렬 정확도를 유지하기 위해.
• 특히 라플라스 분포를 따르는 이상치를 포함한 비가우시안 노이즈를 다루기 위해, 가우시안 ML에 대한 ℓ₁-노름 기반 대체 방법을 제안하기 위해.
• 더 낮은 이완 수준과 랭크-일치 해의 높은 확률을 보장함으로써 기존 SDP 이완 방법을 향상시키기 위해.

제안 방법

• 임의의 실수 차원에서 소스 정렬을 위한 최대우도(ML) 추정 문제를 비볼록이고 비연속 최적화 문제로 재구성한다.
• 비볼록 ML 문제를 볼록 준엄한 정수계획법(SDP)으로 변환하기 위해 준엄한 정수이완(SDR)을 적용함으로써 전역적이고 효율적인 해를 확보한다.
• SLNN를 도입하여 핵노름 최소화를 통해 가우시안 ML 해를 근사하며, KKT 분석과 특이값 제약 조건을 통한 이론적 근거를 제시하여 더 낮은 이완 수준을 입증한다.
• 라플라스 노이즈를 모델링하기 위해 ML 문제를 가중 가우시안 케이스로 재구성함으로써 이상치에 강건한 SL-ℓ₁를 제안한다.
• SL-ℓ₁에 대해 두 가지 해법 전략을 활용한다: SLNN을 하위 문제로 사용하는 반복적 블록 좌표 강하법과 약간의 성능 저하를 감수하는 비반복적 SDP 이완 방법.
• 2차원 복소 평면 공식화(SLCP)에서 제약 조건 집합의 볼록성 특성을 분석하여, 이전 방법보다 더 낮은 이완 수준임을 증명함으로써, 랭크-일치 행렬을 더 자주 생성함으로써 소스 좌표 복원에 유리한 조건을 확보한다.

실험 결과

연구 질문

• RQ1 최대우도 문제의 볼록 이완이 기존 반복적 또는 폐쇄형 최적화 방법보다 더 높은 정확도를 달성할 수 있는가?
• RQ2 SLNN에서의 핵노름 이완은 기존 준엄한 정수이완 기법 대비 해의 이완 수준과 랭크-일치 복원 능력에서 어떻게 향상되는가?
• RQ3 최대우도 추정 문제는 라플라스 노이즈와 이상치를 포함한 거리 측정값을 효과적으로 다룰 수 있도록 재구성될 수 있는가?
• RQ4 이상치 존재 하에서 가중 최대우도 문제에 대한 반복적 및 비반복적 SDP 기반 전략 간의 성능 상충 관계는 어떠한가?
• RQ5 2차원 복소 평면 방법을 임의의 실수 차원으로 확장함으로써 원래 공식화의 정확도와 이완 수준의 유지가 가능한가?

주요 결과

• SLNN는 가우시안 노이즈 하에서 기존 최신 기술의 최적화 기반 방법보다 전역 정렬 정확도에서 뛰어나며, 더 낮은 이완 수준과 랭크-일치 해의 높은 확률 덕분이다.
• SLCP(2차원 복소 평면) 공식화의 볼록성 분석을 통해 이전 방법보다 더 낮은 이완 수준임을 확인하였으며, 이는 랭크-일치 행렬을 더 자주 생성함으로써 소스 좌표로의 분해에 적합한 해를 더 자주 도출함을 의미한다.
• SL-ℓ₁는 ML 문제를 가중 가우시안 케이스로 재구성함으로써 라플라스 노이즈를 효과적으로 모델링하며, 실제 거리 측정값에서 흔히 발생하는 이상치에 강건함을 확보한다.
• SLNN을 하위 문제로 사용하는 반복적 SL-ℓ₁ 전략은 높은 성능을 달성하지만, 비반복적 SDP 기반 대안은 낮은 계산 비용으로 유사한 정확도를 확보한다.
• 원래의 비볼록 ML 문제와 그 SDP 이완 간의 이론적 동치성이 입증되어, 이완 문제의 최적값이 원래 문제와 정확히 일치함을 보장함으로써 전역 최적성 보장을 확보한다.
• 행렬 $\mathbf{U}^{T}\mathbf{C}$ 의 핵노름과 프로베니우스 노름에 대한 경계 분석을 통해, 핵노름 이완이 프로베니우스 노름 접근보다 더 낮은 이완 수준임을 확인하였으며, 이는 SLNN의 우수성을 뒷받침한다.