[논문 리뷰] Information-driven Fully Distributed Kalman Filter for Sensor Networks in Presence of Naive Nodes

Shaocheng Wang, Wei Ren외 1명|arXiv (Cornell University)|2014. 10. 01.

Distributed Control Multi-Agent Systems참고 문헌 6인용 수 13

한 줄 요약

이 논문은 네트워크 크기나 최대 노드 차수와 같은 전역 정보가 필요하지 않은 정보 기반 완전 분산 칼만 필터(IFDKF)를 제안한다. 일반화된 측정치(로컬 추정치와 이웃 데이터 포함)를 기반으로 한 국소 가중 최소 제곱 추정기로, 관측하지도 않고 이웃도 관측하지 않는 난이도 높은 노드(이하 '무지성 노드')로 인한 성능 저하를 효과적으로 완화하여, 기존의 공감 기반 필터인 ICF와 GKCF에 비해 동적 네트워크 구조와 노드 장애 상황에서도 뛰어난 추적 정확도와 강건성을 확보한다.

ABSTRACT

We consider the distributed Kalman filtering problem for sensor networks where each node takes the measurement, communicates with its local neighbors, and updates its local estimate and estimation error covariance at the same frequency. In such a scenario, if the target is not directly observed by neither a certain node nor its local neighbors, this node is naive about the target. The well-known Kalman Consensus filter (KCF) has been shown to perform well if there exists no naive node in the network. The case in presence of naive nodes has been considered by the generalized KCF (GKCF) and the Information Weighted Consensus filter (ICF) later on. However, all these consensus-embedded filters require some global information such as the maximum degree of the graph, or the total number of the nodes. If these global information are changing over the time, such as time-varying topologies or unexpected sensor failures in the network, the performance of the GKCF or the ICF might be degraded. With communication topology changes, node failures, or addition of new nodes, the filter performance would be adversely affected. In this paper, we consider a novel local Weighted Least Square estimator for each node that utilizes its generalized measurement formed by not only its own and local neighbors' measurements but their prior local estimates to track the target. With some approximations in the derivation of the covariance matrix, we propose the Information-driven Fully Distributed Kalman filter (IFDKF), which is able to deal with the existence of naive nodes without knowing any global information. Experimental results show that the proposed algorithm performs better than the existing algorithms in the considered realistic scenario.

연구 동기 및 목표

• 무지성 노드(목표를 관측하지도 않고 이웃도 관측하지 않는 노드)가 존재할 경우 기존 분산 칼만 필터의 성능 저하 문제를 해결하기 위해.
• 전체 노드 수, 최대 노드 차수, 공감 단계 크기와 같은 전역 정보에 의존하지 않는 분산 필터링 알고리즘을 개발하기 위해.
• 재구성 또는 파rameter 조정 없이 네트워크 동적 변화(네트워크 구조 변화, 노드 장애, 추가 등)에 강건성을 확보하기 위해.
• 무지성 노드 및 변화하는 네트워크 조건이 존재하더라도 중심 최적 해에 가까운 추정 성능을 달성하기 위해.

제안 방법

• 각 노드는 국소 측정을 수행하고, 인접 노드와 통신하며 실시간으로 국소 상태 추정치와 오차 공분산을 갱신한다.
• 노드의 자체 측정치와 이웃의 이전 국소 추정치를 조합한 일반화된 측정치를 사용하여 국소 가중 최소 제곱 추정기를 수립한다.
• 정보 이론적 원리를 활용해 오차 공분산 행렬을 근사함으로써 전역 지식 없이도 완전히 분산된 계산이 가능하도록 한다.
• 정보 가중 공감 원리를 필터 설계에 통합하여, 고정된 가중치가 아닌 국소 추정 불확실성에 기반해 영향력을 동적으로 조정한다.
• 전역 파rameter에 의존하지 않도록, 네트워크 변화에 자가 적응하고 일관성을 유지하는 국소 갱신 규칙을 유도한다.
• 이론적 분석과 시뮬레이션을 통해, 다양한 네트워크 역학 조건 하에서 필터의 안정성, 최적성 및 수렴 성질을 검증한다.

실험 결과

연구 질문

• RQ1 무지성 노드가 목표나 이웃을 관측하지 못할 경우, 어떻게 분산 칼만 필터링의 강건성을 확보할 수 있는가?
• RQ2 전체 노드 수나 최대 노드 차수와 같은 전역 네트워크 파rameter가 필요 없이 완전히 분산된 칼만 필터를 설계할 수 있는가?
• RQ3 제안된 알고리즘이 네트워크 구조 변화나 노드 장애와 같은 동적 네트워크 변화 상황에서도 성능을 유지하는 방식은 무엇인가?
• RQ4 실제 동적 환경에서 ICF, GKCF, KCF와 같은 기존 필터와 비교해 IFDKF의 상대적 성능은 어떠한가?

주요 결과

• 무지성 노드 존재 조건에서 IFDKF는 ICF 및 GKCF보다 낮은 정상 상태 평균 절대 오차를 달성하여 뛰어난 추적 정확도를 입증한다.
• 과정 노이즈가 k=90에서 발생한 후 IFDKF는 ICF보다 빠른 수렴 속도를 보이며 중심 최적 해에 빠르게 도달한다.
• k=65에서 네트워크 구조가 변화할 경우, IFDKF는 안정된 성능을 유지하지만, ICF는 최신 최대 차수에 대응하지 못한 오래된 공감 파ram터 ε로 인해 성능이 저하된다.
• k=65에서 노드 장애(노드 5와 6) 발생 후 IFDKF는 중심 최적 해로 수렴하지만, ICF는 변화하지 않은 전역 파ram터로 이웃 신뢰도를 과대평가하여 수렴하지 못한다.
• IFDKF는 동적 조건에서도 일관된 성능을 보이며, 재구성 또는 전역 정보 없이도 적응성과 강건성을 입증한다.