[论文解读] Approximate Maximum Likelihood Source Localization from Range Measurements Through Convex Relaxation

Pınar Oğuz-Ekim, João Gomes+3 more|arXiv (Cornell University)|Nov 29, 2011

Indoor and Outdoor Localization Technologies参考文献 17被引用 3

一句话总结

本文提出两种基于凸松弛的算法——基于核范数的源定位（SLNN）与基于ℓ₁-范数的源定位（SL-ℓ₁），用于在无线传感器网络中从含噪的测距测量中实现近似最大似然源定位。通过将问题建模为半定规划（SDP），SLNN 在高斯噪声下相比现有最先进方法实现了更紧的松弛和更优的定位精度，尤其在高斯噪声条件下表现更优；而 SL-ℓ₁ 通过加权最大似然重构与 SDP 松弛，有效处理拉普拉斯噪声和异常值。

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.

研究动机与目标

• 解决无线传感器网络中存在噪声且不可靠的测距测量时的精确源定位挑战。
• 开发一种凸松弛框架，为非凸最大似然（ML）估计问题提供全局最优解。
• 将先前的二维复平面方法扩展至任意实数维度（包括三维），同时保持紧致的松弛和高精度的定位性能。
• 通过提出基于 ℓ₁-范数的替代方法，处理非高斯噪声，特别是拉普拉斯分布的异常值。
• 通过确保更紧的松弛和更高的秩一解可能性，改进现有 SDP 松弛方法，以实现更准确的源位置恢复。

提出的方法

• 在任意实数维度下，将源定位的最大似然（ML）估计问题建模为非凸、非光滑的优化问题。
• 应用半定松弛（SDR）将非凸 ML 问题转化为凸的半定规划（SDP）问题，从而实现全局且高效的求解。
• 提出 SLNN，通过最小化核范数来近似高斯 ML 解，基于 KKT 分析与奇异值约束，提供其更紧松弛的理论依据。
• 提出 SL-ℓ₁，通过将 ML 问题重构建为加权高斯情形，以建模拉普拉斯噪声，从而实现对异常值的鲁棒性。
• 为 SL-ℓ₁ 提供两种求解策略：一种是利用 SLNN 作为子问题的迭代块坐标下降法；另一种是非迭代的 SDP 松弛方法，性能略有下降。
• 分析了二维复平面公式（SLCP）中约束集的凸性，证明其松弛比先前方法更紧，从而提高了获得秩一解的概率。

实验结果

研究问题

• RQ1 源定位的最大似然问题的凸松弛方法是否能实现比现有迭代或闭式优化方法更高的定位精度？
• RQ2 SLNN 中的核范数松弛在解的紧致性和秩一解恢复方面，相比现有半定松弛技术有何改进？
• RQ3 最大似然估计问题是否能被有效重构，以处理测距测量中的拉普拉斯噪声和异常值？
• RQ4 在存在异常值的情况下，基于 SDP 的迭代与非迭代策略在加权 ML 问题中的性能权衡如何？
• RQ5 将二维复平面方法扩展至任意实数维度是否能保持原始公式的精度与松弛紧致性？

主要发现

• 在高斯噪声下，SLNN 的全局定位精度优于现有基于优化的方法，尤其得益于更紧的松弛和更高的秩一解可能性。
• 对 SLCP（二维复平面）公式的凸性分析证实，其松弛比先前方法更紧，因为松弛解更频繁地产生适合分解为源坐标的位置的秩一矩阵。
• SL-ℓ₁ 通过将 ML 问题重写为加权高斯情形，有效建模拉普拉斯噪声，从而实现对真实测距测量中常见异常值的鲁棒性。
• 采用 SLNN 作为子问题的迭代 SL-ℓ₁ 策略性能优异，而非迭代的基于 SDP 的替代方案在计算成本更低的同时保持了相近的精度。
• 证明了原始非凸 ML 问题与其 SDP 松弛问题之间的理论等价性，确保松弛问题的最优值与原始问题一致，从而保证全局最优性。
• 对矩阵 $\mathbf{U}^{T}\mathbf{C}$ 的核范数与 Frobenius 范数的界分析表明，核范数松弛比 Frobenius 范数方法更紧，支持 SLNN 的优越性。