[论文解读] Delay-Dependent Distributed Kalman Fusion Estimation with Dimensionality Reduction in Cyber-Physical Systems

Bo Chen, Daniel W. C. Ho+2 more|arXiv (Cornell University)|Feb 9, 2018

Distributed Sensor Networks and Detection Algorithms参考文献 47被引用 32

一句话总结

本文提出了一种具有降维功能的时延相关分布式卡尔曼融合估计算法（DKFE），适用于网络物理系统（CPS），以应对带宽限制和通信时延问题。通过建模带有时延补偿的压缩局部估计，DKFE 确保估计误差协方差收敛至唯一的稳态矩阵，从而实现计算效率更高的稳态DKFE（SDKFE），相比先前方法具有更低的复杂度和更高的稳定性。

ABSTRACT

This paper studies the distributed dimensionality reduction fusion estimation problem with communication delays for a class of cyber-physical systems (CPSs). The raw measurements are preprocessed in each sink node to obtain the local optimal estimate (LOE) of a CPS, and the compressed LOE under dimensionality reduction encounters with communication delays during the transmission. Under this case, a mathematical model with compensation strategy is proposed to characterize the dimensionality reduction and communication delays. This model also has the property to reduce the information loss caused by the dimensionality reduction and delays. Based on this model, a recursive distributed Kalman fusion estimator (DKFE) is derived by optimal weighted fusion criterion in the linear minimum variance sense. A stability condition for the DKFE, which can be easily verified by the exiting software, is derived. In addition, this condition can guarantee that estimation error covariance matrix of the DKFE converges to the unique steady-state matrix for any initial values, and thus the steady-state DKFE (SDKFE) is given. Notice that the computational complexity of the SDKFE is much lower than that of the DKFE. Moreover, a probability selection criterion for determining the dimensionality reduction strategy is also presented to guarantee the stability of the DKFE. Two illustrative examples are given to show the advantage and effectiveness of the proposed methods.

研究动机与目标

• 解决在带宽受限和通信时延存在条件下，CPS中实时状态估计的挑战。
• 设计一种分布式融合框架，通过降维减少数据传输量，同时保持估计精度。
• 确保在通信时延未知或时变的情况下，融合估计算法的稳定性和收敛性。
• 通过基于时延相关稳定性条件推导的稳态DKFE（SDKFE），最小化计算复杂度。
• 提供一种基于概率的准则，用于选择最优的降维策略，以维持系统稳定性。

提出的方法

• 构建一个数学模型，联合刻画传感器数据传输过程中的降维与通信时延。
• 基于线性最小方差意义下的最优加权融合准则，推导出递归的分布式卡尔曼融合估计算法（DKFE）。
• 利用LMI技术建立时延相关且与概率相关的稳定性条件，可通过MATLAB LMI工具箱验证。
• 提出一种计算复杂度显著低于DKFE的稳态DKFE（SDKFE），并确保其收敛至唯一的稳态误差协方差矩阵。
• 提出一种基于概率的降维选择准则，当已知时延时可保证DKFE的稳定性。
• 在汇聚节点处应用主成分分析（PCA），对局部估计进行压缩后再传输，以降低带宽使用。

实验结果

研究问题

• RQ1 如何联合建模降维与通信时延，以在分布式CPS中保持估计精度？
• RQ2 在时变时延条件下，何种稳定性条件可确保DKFE的误差协方差收敛至唯一的稳态矩阵？
• RQ3 与现有集中式或非时延感知的融合估计算法相比，所提出的DKFE在性能与复杂度方面表现如何？
• RQ4 可采用何种基于概率的策略选择降维参数，同时保证DKFE的稳定性？
• RQ5 SDKFE是否能在计算成本大幅降低的情况下，实现与DKFE相当的估计精度？

主要发现

• DKFE在时延相关稳定性条件下，确保估计误差协方差矩阵收敛至唯一的稳态矩阵，该结论通过LMI工具验证。
• SDKFE在保持与DKFE相同估计精度的同时，计算复杂度显著降低，适用于实时CPS应用。
• 仿真结果表明，所提出的稳定性条件比现有条件更不保守：通过反例验证，先前条件不成立而新条件成立。
• 仿真结果表明，DKFE性能优于单个局部估计器（CSEs），并接近理想ODKFE（无时延）性能，但由于时延引起的性能下降，仍劣于ODKFE。
• DKFE与SDKFE之间的误差随时间收敛至零，证实SDKFE作为稳定且低复杂度近似方法的有效性。
• 在不同初始条件下，误差协方差矩阵与加权矩阵的2-范数均收敛至唯一的稳态值，验证了理论收敛结果。