[论文解读] Cooperative Simultaneous Localization and Tracking in Mobile Agent Networks

Florian Meyer, Ondrej Hlinka+3 more|arXiv (Cornell University)|Mar 7, 2014

Indoor and Outdoor Localization Technologies参考文献 39被引用 5

一句话总结

本文提出了一种用于移动代理网络的分布式协作同时定位与跟踪（CoSLAT）框架，通过双向概率信息共享，统一了协作自定位（CSL）与分布式目标跟踪（DTT）。通过结合基于粒子的信念传播与似然一致性，CoSLAT 在定位与跟踪精度方面相较于独立的 CSL 和 DTT 方法均实现了显著性能提升。

ABSTRACT

We introduce a framework and methodology of cooperative simultaneous localization and tracking (CoSLAT) in decentralized mobile agent networks. CoSLAT provides a con- sistent combination of cooperative self-localization (CS L) and distributed target tracking (DTT). Multiple mobile targets and mobile agents are tracked using pairwise measurements between agents and targets and between agents. We propose a distributed CoSLAT algorithm that combines particle-based belief propa- gation with the likelihood consensus scheme and performs a bidirectional probabilistic information transfer between CSL and DTT. Simulation results demonstrate significant improveme nts in both self-localization and target tracking performance compared to separate CSL and DTT.

研究动机与目标

• 解决在通信受限的去中心化移动代理网络中保持精确定位与目标跟踪的挑战。
• 克服将自定位与目标跟踪视为独立问题所带来的局限性，避免状态估计不一致。
• 开发一种统一的分布式算法，实现协作自定位与分布式目标跟踪模块之间的双向信息交换。
• 通过在一致的概率框架中利用成对的代理-目标与代理-代理测量，提升整体系统性能。
• 实现在具有多个移动代理与目标的动态环境中可扩展且鲁棒的运行。

提出的方法

• 设计一种分布式 CoSLAT 算法，将协作自定位（CSL）与分布式目标跟踪（DTT）整合到单一概率框架中。
• 利用基于粒子的信念传播来表示并传播网络中代理与目标状态的后验分布。
• 实施一种似然一致性方案，以实现在网络中对代理-目标与代理-代理成对测量的一致融合。
• 在 CSL 与 DTT 模块之间建立双向信息传递，通过相互优化提升估计精度。
• 通过允许每个代理执行本地计算并仅与邻居通信，保持去中心化架构。
• 使用因子图形式化联合估计问题，以高效推理的方式编码代理与目标之间的成对关系。

实验结果

研究问题

• RQ1 如何在去中心化的移动代理网络中有效统一协作自定位与分布式目标跟踪？
• RQ2 CSL 与 DTT 之间的双向信息交换对估计精度与一致性有何影响？
• RQ3 结合粒子滤波与似然一致性的分布式算法是否能优于独立的 CSL 与 DTT 实现？
• RQ4 利用成对的代理-目标与代理-代理测量如何提升定位与跟踪性能？
• RQ5 所提出的 CoSLAT 框架在动态、去中心化环境中的可扩展性与鲁棒性特征如何？

主要发现

• 所提出的 CoSLAT 框架相较于将 CSL 与 DTT 作为独立模块运行，显著提升了自定位与目标跟踪的性能。
• CSL 与 DTT 之间双向的概率信息传递减少了估计误差，并增强了网络中的一致性。
• 将基于粒子的信念传播与似然一致性相结合，实现了在移动代理网络中准确、可扩展且分布式的推理。
• 仿真结果证实，联合的 CoSLAT 方法在定位与跟踪精度方面优于独立的 CSL 与 DTT。
• 该框架在保持去中心化的同时，有效利用了本地测量与邻居通信实现全局估计。
• 由于一致的信息融合，该方法在具有多个移动代理与目标的动态环境中表现出良好的鲁棒性。