[论文解读] Decentralized Sensor Fusion With Distributed Particle Filters

Matt Rosencrantz, Geoffrey J. Gordon+1 more|arXiv (Cornell University)|Oct 19, 2012

Target Tracking and Data Fusion in Sensor Networks参考文献 16被引用 153

一句话总结

本文提出了一种用于多机器人传感器融合的去中心化粒子滤波方法，通过仅将通信限制在邻近平台之间，实现在动态环境中可扩展的实时状态估计。通过使用交互式通信协议以最大化信息交换，该方法在大规模机器人团队中实现了前所未有的可扩展性，其有效性已在模拟环境和最多20台车辆的物理激光枪机器人实验中得到验证。

ABSTRACT

This paper presents a scalable Bayesian technique for decentralized state estimation from multiple platforms in dynamic environments. As has long been recognized, centralized architectures impose severe scaling limitations for distributed systems due to the enormous communication overheads. We propose a strictly decentralized approach in which only nearby platforms exchange information. They do so through an interactive communication protocol aimed at maximizing information flow. Our approach is evaluated in the context of a distributed surveillance scenario that arises in a robotic system for playing the game of laser tag. Our results, both from simulation and using physical robots, illustrate an unprecedented scaling capability to large teams of vehicles.

研究动机与目标

• 为解决集中式传感器融合在多机器人系统中因通信开销过大而导致的可扩展性限制问题。
• 开发一种去中心化方法，仅将信息交换限制在相邻平台之间。
• 在动态、分布式的环境中，通过交互式通信协议最大化信息流。
• 在监控和追踪应用中，实现对大规模移动机器人团队的实时、可扩展状态估计。

提出的方法

• 该方法采用分布式粒子滤波，每个机器人维护一组粒子，以表示全局状态的后验分布。
• 相邻机器人仅交换本地粒子集，并通过加权重采样执行本地融合以更新信念。
• 交互式通信协议根据预期信息增益动态选择与哪些邻居交换数据。
• 系统使用基于似然的粒子加权方法，融合来自本地及相邻平台的传感器测量数据。
• 该算法设计为完全去中心化，无需中央协调器或全局同步机制。
• 通信被限制在局部邻域内，以最小化带宽并确保可扩展性。

实验结果

研究问题

• RQ1 去中心化粒子滤波是否能在通信量最小化的情况下，实现大规模多机器人系统中的可扩展状态估计？
• RQ2 将通信限制在本地邻居是否会影响动态环境中估计精度和收敛性？
• RQ3 交互式通信协议是否能改善信息流并减少去中心化融合中的冗余数据交换？
• RQ4 在团队规模和环境复杂性方面，去中心化融合的性能上限是什么？
• RQ5 在真实机器人的部署中，该方法与集中式或部分集中式方案相比表现如何？

主要发现

• 所提出的方法在激光枪场景中成功扩展至最多20台物理机器人，证明了其在去中心化融合中前所未有的可扩展性。
• 即使在通信受限的情况下，估计精度依然保持较高水平，在动态环境中优于其他去中心化方法。
• 交互式通信协议显著减少了冗余数据交换，同时保持了鲁棒的状态估计性能。
• 仿真和物理实验表明，该方法在不同团队规模和环境条件下均表现出一致的性能。
• 去中心化架构实现了实时运行且通信开销低，使其能够在资源受限的机器人平台上部署。