[논문 리뷰] Sensor Selection via Randomized Sampling

Shaunak D. Bopardikar|arXiv (Cornell University)|2017. 12. 18.

Distributed Sensor Networks and Detection Algorithms참고 문헌 17인용 수 3

한 줄 요약

이 논문은 선형 시간 불변 시스템의 관측 가능성 그람리안을 근사하기 위해 맞춤형 확률 분포를 사용하여 복원 추출 방식으로 센서를 무작위로 선택하는 알고리즘을 제안한다. 주어진 지표—예를 들어 추적, 최대 고유값, 최소 고유값—에 대한 높은 확률 상한선을 제공하여 비특이성과 성능 보장을 보장하며, 수치 실험에서 탐욕적 방법보다 뛰어난 성능을 보이며, 감소된 센서 사용량으로 효율적인 순차적 상태 추정을 가능하게 한다.

ABSTRACT

Given a linear dynamical system, we consider the problem of constructing an approximate system using only a subset of the sensors out of the total set such that the observability Gramian of the new system is approximately equal to that of the original system. Our contributions are as follows. First, we present a randomized algorithm that samples the sensors with replacement as per specified distributions. For specific metrics of the observability Gramian such as the trace or the maximum eigenvalue, we derive novel bounds on the number of samples required to yield a high probability lower bound on the metric evaluated on the approximate Gramian. Second, with a different distribution, we derive high probability bounds on other standard metrics used in sensor selection, including the minimum eigenvalue or the trace of the Gramian inverse. This distribution requires a number of samples which is larger than the one required for the trace and the maximum eigenvalue, but guarantees non-singularity of the approximate Gramian if the original system is observable with high probability. Third, we demonstrate how the randomized procedure can be used for recursive state estimation using fewer sensors than the original system and provide a high probability upper bound on the initial error covariance. We supplement the theoretical results with several insightful numerical studies and comparisons with competing greedy approaches.

연구 동기 및 목표

• 전체 센서 집합보다 적은 수의 센서를 사용하여 관측 가능성 그람리안을 근사하는 무작위 센서 선택 프레임워크를 개발하는 것.
• 무작위 추출 하에 표준 관측 가능성 지표—추적, 최대 고유값, 최소 고유값, 그람리안 역행렬의 추적—에 대한 높은 확률 상한선을 유도하는 것.
• 원래 시스템이 관측 가능할 경우, 근사된 관측 가능성 그람리안이 높은 확률로 비특이성이 되도록 보장하는 것.
• 감소된 센서 수를 사용하면서도 초기 및 정 steady-state 오차 공분산을 제한하는 순차적 상태 추정을 가능하게 하는 것.
• 제안된 방법을 탐욕적 히우리스틱과 실증적으로 비교하여 다양한 관측 가능성 지표에서 뛰어난 성능을 보여주는 것.

제안 방법

• 이 방법은 서로 다른 성능 지표에 맞게 조정된 두 가지 확률 분포를 사용하여 복원 추출 방식으로 센서를 무작위로 선택하는 알고리즘을 적용한다.
• 추적 및 최대 고유값의 경우, 센서 기여도 비례 확률 분포를 사용하며, 높은 확률 하한선을 확보하기 위한 표본 복잡도 이론적 상한선을 제공한다.
• 최소 고유값 및 그람리안 역행렬의 추적의 경우, 더 많은 표본이 필요하지만 근사된 그람리안이 높은 확률로 비특이성이 되도록 보장하는 다른 분포를 도입한다.
• 이 접근법은 농도 불등식을 활용하여 관측 가능성 그람리안 근사 품질에 대한 확률적 보장을 도출한다.
• 이 방법은 최소 제곱 추정 및 칼만 필터링에 적용되어, 초기 및 정 steady-state 오차 공분산 행렬에 대한 높은 확률 상한선을 제공한다.
• 수치 실험을 통해 다양한 지표—최소 고유값, 추적, 최대 고유값—에서 이 방법과 탐욕적 히우리스틱을 비교한다.

실험 결과

연구 질문

• RQ1 관측 가능성 그람리안의 추적 또는 최대 고유값에 대해 높은 확률 하한선을 확보하기 위해 필요한 최소 센서 표본 수는 얼마인가?
• RQ2 원래 시스템이 약한 관측 가능성만을 가지더라도, 무작위 추출 전략이 근사된 관측 가능성 그람리안이 높은 확률로 비특이성이 되도록 보장할 수 있는가?
• RQ3 최소 고유값 및 그람리안 역행렬의 추적과 같은 핵심 관측 가능성 지표에서, 무작위 알고리즘의 성능은 탐욕적 히우리스틱과 비교해 어떻게 되는가?
• RQ4 무작위 센서 선택을 사용할 경우 순차적 상태 추정에서의 초기 오차 공분산에 대한 이론적 상한은 무엇인가?
• RQ5 무작위 추출 접근법은 감소된 센서 사용량으로 칼만 필터링에서 정 steady-state 오차 공분산을 제한하는 데로 확장될 수 있는가?

주요 결과

• 제안된 알고리즘이 다양한 오차 허용 오차 ε 범위에서 최소 고유값, 추적, 최대 고유값 등 모든 테스트 지표에서 탐욕적 히우리스틱을 뛰어넘는다.
• 반복된 센서 추출을 允허하는 변형은 특히 악성 추정 오차를 최소화하는 데서 탐욕적 방법보다 뚜렷한 성능 향상을 보인다.
• 순차적 추정에서의 초기 오차 공분산은 4.1조에서 유도된 이론적 상한선보다 약 한 수준 작게 관측된다.
• 정 steady-state 오차 공분산 행렬의 상대 오차는 ε에 대해 거의 선형적으로 감소하며, 이는 예측 가능하고 스케일러블한 성능 추세를 시사한다.
• 최소 고유값 및 그람리안 역행렬 지표의 표본 복잡도는 추적 및 최대 고유값 지표보다 높지만, 근사된 그람리안이 높은 확률로 비특이성이 되도록 보장한다.
• i.i.d. 표준 정규 C 행렬을 사용한 실험에서도 정량적으로 유사한 결과를 얻었으며, 기준 설정 대비 표본 복잡도가 약 두 배로 증가한다.