[论文解读] Belief Consensus Algorithms for Fast Distributed Target Tracking in Wireless Sensor Networks

Vladimir Savić, Henk Wymeersch+1 more|arXiv (Cornell University)|Feb 23, 2012

Distributed Sensor Networks and Detection Algorithms参考文献 31被引用 5

一句话总结

本文提出并比较了无线传感器网络中分布式粒子滤波（DPF）的信念共识（BC）算法，实现了无需集中协调的快速、鲁棒且可扩展的目标跟踪。结果表明，在环状图中，马尔可夫信念共识（MBC）速度最快；而在树状图中，信念传播（BP）共识优于其他方法，且通信开销低于稀疏网络中的数据洪泛。

ABSTRACT

In distributed target tracking for wireless sensor networks, agreement on the target state can be achieved by the construction and maintenance of a communication path, in order to exchange information regarding local likelihood functions. Such an approach lacks robustness to failures and is not easily applicable to ad-hoc networks. To address this, several methods have been proposed that allow agreement on the global likelihood through fully distributed belief consensus (BC) algorithms, operating on local likelihoods in distributed particle filtering (DPF). However, a unified comparison of the convergence speed and communication cost has not been performed. In this paper, we provide such a comparison and propose a novel BC algorithm based on belief propagation (BP). According to our study, DPF based on metropolis belief consensus (MBC) is the fastest in loopy graphs, while DPF based on BP consensus is the fastest in tree graphs. Moreover, we found that BC-based DPF methods have lower communication overhead than data flooding when the network is sufficiently sparse.

研究动机与目标

• 为解决集中式或基于路径的分布式目标跟踪在无线传感器网络（WSNs）中的局限性，这些方法在节点故障下易崩溃，且不适用于自组织部署。
• 评估并比较五种基于信念共识（BC）的分布式粒子滤波（DPF）算法在不同网络拓扑下的收敛速度与通信开销。
• 提出一种新型基于信念传播（BP）的共识算法，使树状图结构中的收敛速度优于现有方法。
• 量化信念共识基DPF在收敛速度、通信开销与精度之间的权衡，特别是在存在图环路的情况下。
• 确定BC基DPF在可扩展性与鲁棒性方面优于传统数据洪泛的条件。

提出的方法

• 本文采用信念共识（BC）算法，使每个传感器仅通过本地似然与邻居间交换信息，即可计算目标状态的全局后验估计。
• 比较了五种基于BC的DPF方法：标准信念共识（SBC）、随机广播（RG）、基于广播的共识、马尔可夫信念共识（MBC）以及信念传播（BP）共识。
• 对于BP共识，算法在图上以固定 $ D_g + 1 $ 次迭代的调度进行消息传递，其中 $ D_g $ 为图的直径，以近似全局似然。
• 信念更新规则通过消息传递定义：$ M_n^{(t)}(\boldsymbol{x}_t) \propto \prod_{u \in \mathcal{N}_n} M_u^{(t-1)}(\boldsymbol{x}_t)^{\alpha_{u,n,t}} $，其中 $ \alpha_{u,n,t} $ 表示从节点 $ u $ 到 $ n $ 的路径数量。
• 通过计算 $ \alpha_{\text{max}} $（即任意其他节点上某节点似然的最大指数），分析环状图中的重复计数问题，该值决定估计偏差。
• 结合理论分析与仿真，比较不同网络拓扑（包括全连通图、环形图与环状图）下的收敛速度与通信开销。

实验结果

研究问题

• RQ1 在分布式粒子滤波目标跟踪中，不同信念共识算法在收敛速度与通信开销方面如何比较？
• RQ2 信念传播（BP）共识在何种网络拓扑中能实现精确的全局似然估计？在何种情况下会发生重复计数？
• RQ3 短环的存在如何影响环状图中BP共识的性能与准确性？
• RQ4 在何种条件下，BC基DPF在通信开销与可扩展性方面优于数据洪泛？
• RQ5 在稀疏、动态且易发生故障的无线传感器网络中，分布式目标跟踪的最优共识算法是什么？

主要发现

• 在环状图中，马尔可夫信念共识（MBC）收敛速度最快，优于SBC、RG与基于广播的共识。
• 在树状图中，信念传播（BP）共识收敛最快，当 $ \alpha_{\text{max}} = 1 $ 时，经 $ D_g + 1 $ 次迭代后可实现精确的全局似然估计。
• 在奇数长度环中，BP共识在 $ D_g + 1 $ 次迭代后可产生正确估计，因为 $ \alpha_{\text{max}} = 1 $；而在偶数长度环中，$ \alpha_{\text{max}} = 2 $，导致重复计数。
• 在短环（如三节点环）中，$ \alpha_{\text{max}} = 1 + 2N_{\text{short-loops}} $，其值随环数增加而无界增长，从而降低估计精度。
• 在足够稀疏的网络中，BC基DPF方法的通信开销低于数据洪泛，使其在大规模WSNs中更具可扩展性。
• 本文证实，BP共识在无环图中为最优，而MBC在高度连通或环状图中表现更优，为DPF系统提供了基于拓扑结构的算法选择依据。