[论文解读] DCOOL-NET: Distributed cooperative localization for sensor networks

Cláudia Soares, João Xavier+1 more|arXiv (Cornell University)|Nov 30, 2012

Indoor and Outdoor Localization Technologies参考文献 24被引用 3

一句话总结

DCOOL-NET 是一种用于传感器网络的分布式、并行协作定位算法，其在主要化-最小化（MM）框架中引入了一种新颖的凸主要化函数，以解决从噪声范围测量中得出的非凸定位问题。该算法通过 ADMM 和快速 Nesterov 梯度方法实现高效、低复杂度的分布式优化，其定位精度高于或相当于当前最先进的非并行方法。

ABSTRACT

We present DCOOL-NET, a scalable distributed in-network algorithm for sensor network localization based on noisy range measurements. DCOOL-NET operates by parallel, collaborative message passing between single-hop neighbor sensors, and involves simple computations at each node. It stems from an application of the majorization-minimization (MM) framework to the nonconvex optimization problem at hand, and capitalizes on a novel convex majorizer. The proposed majorizer is endowed with several desirable properties and represents a key contribution of this work. It is a more accurate match to the underlying nonconvex cost function than popular MM quadratic majorizers, and is readily amenable to distributed minimization via the alternating direction method of multipliers (ADMM). Moreover, it allows for low-complexity, fast Nesterov gradient methods to tackle the ADMM subproblems induced at each node. Computer simulations show that DCOOL-NET achieves comparable or better sensor position accuracies than a state-of-art method which, furthermore, is not parallel.

研究动机与目标

• 为解决集中式传感器网络定位在可扩展性和能效方面的局限性，实现完全分布式、网络内计算。
• 开发一种可扩展、可并行化的协作定位算法，避免集中式架构固有的数据瓶颈和单点故障风险。
• 通过引入更紧致、优化友好的凸主要化函数，提升在噪声非凸基于范围的优化设置下的定位精度。
• 通过将 Nesterov 梯度方法与基于 ADMM 的分布式优化相结合，实现在每个节点上的低复杂度、快速收敛。

提出的方法

• 该算法基于主要化-最小化（MM）框架，应用于传感器网络定位问题的最大似然公式。
• 提出一种新颖的凸主要化函数，能紧密逼近非凸代价函数，在精度和结构上优于传统的二次主要化函数。
• 主要化函数被设计为可通过交替方向乘子法（ADMM）实现分布式最小化，支持单跳邻居间的并行更新。
• 每个节点的 ADMM 子问题通过快速梯度 Nesterov 方法高效求解，降低每轮迭代的计算复杂度。
• 该算法以完全分布式方式运行，节点仅与直接邻居通信，无需中央融合节点。
• 该方法确保代价函数在每次迭代中单调递减，继承了 MM 框架的收敛稳定性。

实验结果

研究问题

• RQ1 是否能够实现一种分布式、并行的协作定位算法，在保持低计算复杂度的同时，实现比现有非并行方法更高的精度？
• RQ2 如何设计一种凸主要化函数，以紧密逼近基于范围的传感器定位中的非凸代价函数？
• RQ3 所提出的主量化函数是否能通过 ADMM 实现高效的分布式优化，同时支持快速的本地求解器？
• RQ4 与标准二次主要化函数相比，该新型主要化函数在定位精度和收敛速度方面带来了多大的性能提升？

主要发现

• DCOOL-NET 实现的传感器位置精度与最先进的分布式算法相当或更优，而后者并非并行化，因此可扩展性较差。
• 所提出的凸主要化函数对非凸代价函数的逼近显著更紧密，优于传统的二次主要化函数，从而提升了优化精度。
• 该算法通过仅使用单跳邻居通信，实现了传感器节点间的完全并行、分布式计算，增强了可扩展性和鲁棒性。
• 将 Nesterov 梯度方法与每个节点的 ADMM 子问题相结合，实现了低复杂度、快速的本地更新，提升了收敛速度。
• 代价函数在每次迭代中单调递减，确保了在 MM 框架内稳定收敛的行为。