[论文解读] Distributed SMC-PHD Fusion for Partial, Arithmetic Average Consensus

Tiancheng Li|arXiv (Cornell University)|Dec 17, 2017

Target Tracking and Data Fusion in Sensor Networks参考文献 39被引用 6

一句话总结

本文提出了一种基于部分算术平均一致性（partial arithmetic average consensus）的分布式SMC-PHD融合方法，采用计算高效的粒子到高斯混合模型（P2GM）转换与重要性采样（IS）进行权重重加权。通过保留粒子状态并实现并行的先验/似然计算，该方法在通信成本更低的前提下，相比粒子分发或完整高斯混合模型（GM）再生，实现了更高的融合精度。

ABSTRACT

We propose an average consensus approach for distributed SMC-PHD (sequential Monte Carlo-probability hypothesis density) fusion, in which local filters extract Gaussian mixtures (GMs) from their respective particle posteriors, share them (iteratively) with their neighbors and finally use the disseminated GM to update the particle weight. There are two distinguishable features of our approach compared to exiting approaches. First, a computationally efficient particles-to-GM (P2GM) conversion scheme is developed based on the unique structure of the SMC-PHD updater in which the particle weight can be exactly decomposed with regard to the measurements and misdetection. Only significant components of higher weight are utilized for parameterization. The consensus, conditioned on information dissemination over the network, is called partial consensus. Second, importance sampling (IS) is employed to re-weight the local particles for integrating the received GM information, while the states of the particles remain unchanged. By this, the local prior PHD and likelihood calculation can be carried out in parallel to the dissemination \& fusion procedure. To assess the effectiveness of the proposed P2GM parameterization approach and IS approach, two relevant yet new distributed SMC-PHD fusion protocols are introduced for comparison. One uses the same P2GM conversion and GM dissemination schemes as our approach but local particles are regenerated from the disseminated GMs at each filtering iteration - in place of the IS approach. This performs similar to our IS approach (as expected) but prevents any parallelization as addressed above. The other is disseminating the particles between neighbors - in place of the P2GM conversion. This avoids parameterization but is communicatively costly. The state-of-the-art exponential mixture density approach is also realized for comparison.

研究动机与目标

• 解决在使用粒子分发或完整GM再生进行分布式SMC-PHD融合时存在的高通信成本与计算效率低下问题。
• 设计一种计算高效的P2GM转换方案，利用SMC-PHD滤波中粒子权重的结构分解特性。
• 通过重要性采样对粒子进行重加权，而无需重新生成，从而实现本地滤波与融合的并行执行。
• 实现部分一致性——仅共享显著的GM分量——在保持估计精度的同时降低通信开销。
• 将所提方法与最先进方法（包括指数混合密度与粒子分发）进行对比评估。

提出的方法

• 基于粒子权重在SMC-PHD滤波中精确分解为测量与漏检分量的特性，设计了一种P2GM转换方案，仅保留高权重、显著的高斯分量。
• 通过在网络中相邻节点间迭代共享高斯混合模型的显著分量，实现部分一致性。
• 应用重要性采样，利用接收到的GM对本地粒子进行重加权，同时保持粒子状态不变，以维持计算效率。
• 本地先验PHD与似然计算与分发及融合过程并行执行，支持实时运行。
• 该方法避免了完整的粒子再生或直接的粒子交换，降低了通信负载，同时保持了融合精度。
• 实现了两种对比协议：一种在每次迭代中进行GM再生（无并行性），另一种采用直接粒子交换（通信成本高）

实验结果

研究问题

• RQ1 如何设计P2GM转换，以在保持估计精度的同时，高效参数化分布式SMC-PHD融合中的粒子后验？
• RQ2 与完整粒子再生相比，使用重要性采样进行粒子重加权在计算效率与并行化方面有何影响？
• RQ3 基于显著GM分量的部分一致性与完整一致性相比，在通信成本与估计性能方面表现如何？
• RQ4 在直接交换粒子与交换GM之间，通信成本与估计精度之间的权衡是什么？
• RQ5 所提出的基于IS的融合方法与最先进方法——指数混合密度方法——在分布式SMC-PHD融合中的表现如何比较？

主要发现

• 所提出的P2GM转换方案利用测量与漏检分量的精确分解，显著降低了计算负载。
• 重要性采样使得本地滤波与融合可并行进行，无需再生粒子，从而提升了实时性能。
• 部分一致性方法通过仅共享显著的高斯分量，有效降低了通信成本，且未牺牲估计精度。
• 与粒子再生相比，基于IS的融合在计算效率上表现更优，因为粒子再生会阻碍滤波与融合的并行化。
• 直接粒子分发的通信成本高于GM分发，因此在大规模网络中可扩展性较差。
• 所提方法在估计精度上与最先进方法——指数混合密度方法——相当，但通信与计算开销更低。