[论文解读] Distributed Parameter Estimation in Sensor Networks: Nonlinear Observation Models and Imperfect Communication

Soummya Kar, José M. F. Moura+1 more|arXiv (Cornell University)|Aug 29, 2008

Distributed Control Multi-Agent Systems参考文献 66被引用 32

一句话总结

本文提出了一种用于具有非线性观测模型和噪声通信的传感器网络的分布式参数估计算法，采用一致性+创新框架。在可分离可估性和平均连通性条件下，建立了几乎必然一致性、渐近无偏性和渐近正态性，并通过随机逼近理论和针对混合时变尺度动态的新颖分析，为线性和非线性变体提供了收敛速率保证。

ABSTRACT

The paper studies distributed static parameter (vector) estimation in sensor networks with nonlinear observation models and noisy inter-sensor communication. It introduces \emph{separably estimable} observation models that generalize the observability condition in linear centralized estimation to nonlinear distributed estimation. It studies two distributed estimation algorithms in separably estimable models, the $\mathcal{NU}$ (with its linear counterpart $\mathcal{LU}$) and the $\mathcal{NLU}$. Their update rule combines a \emph{consensus} step (where each sensor updates the state by weight averaging it with its neighbors' states) and an \emph{innovation} step (where each sensor processes its local current observation.) This makes the three algorithms of the extit{consensus + innovations} type, very different from traditional consensus. The paper proves consistency (all sensors reach consensus almost surely and converge to the true parameter value,) efficiency, and asymptotic unbiasedness. For $\mathcal{LU}$ and $\mathcal{NU}$, it proves asymptotic normality and provides convergence rate guarantees. The three algorithms are characterized by appropriately chosen decaying weight sequences. Algorithms $\mathcal{LU}$ and $\mathcal{NU}$ are analyzed in the framework of stochastic approximation theory; algorithm $\mathcal{NLU}$ exhibits mixed time-scale behavior and biased perturbations, and its analysis requires a different approach that is developed in the paper.

研究动机与目标

• 解决具有非线性观测模型和不完美通信的传感器网络中的分布式估计问题，其中传统的一致性或集中式方法表现不足。
• 通过可分离可估性的概念，将线性估计中的可观测性条件推广至非线性分布式设置。
• 设计并分析结合一致性与创新步骤的分布式算法，确保所有传感器收敛至真实参数值。
• 为线性和非线性观测模型建立理论保证——一致性、无偏性、效率和渐近正态性。
• 为具有混合时变尺度行为和有偏扰动的算法开发新的分析框架，扩展随机逼近理论。

提出的方法

• 引入可分离可估观测模型的概念，将全局可观测性推广至非线性分布式估计。
• 提出三种算法：$\mathcal{LU}$（线性）、$\mathcal{NU}$ 和 $\mathcal{NLU}$，均基于结合局部平均与局部观测处理的一致性+创新更新规则。
• 在更新规则中使用衰减权重序列，以随时间平衡一致性与创新的贡献。
• 应用随机逼近理论分析 $\mathcal{LU}$ 和 $\mathcal{NU}$，而针对 $\mathcal{NLU}$ 的混合时变尺度动态和有偏扰动，开发了新颖的分析框架。
• 利用谱图论和拉普拉斯矩阵的性质对传感器间通信进行建模，并在平均连通性条件下确保收敛性。
• 推导出 $\mathcal{L}_2$ 有界性，并利用涉及 $\lambda_2(\overline{L})$ 和 $\|\widetilde{L}(i)\|$ 的不等式，证明估计误差渐近收敛至零。

实验结果

研究问题

• RQ1 在具有非线性观测模型和不完美通信的传感器网络中，分布式估计能否实现一致性和渐近无偏性？
• RQ2 与传统一致性或集中式估计相比，一致性+创新算法在收敛性和估计精度方面表现如何？
• RQ3 观测模型和通信网络需要满足何种条件，才能确保所有传感器就真实参数值达成一致？
• RQ4 如何将随机逼近理论扩展至分析具有混合时变尺度行为和有偏扰动的算法？
• RQ5 在可分离可估模型下，分布式估计器的收敛速率和渐近分布是什么？

主要发现

• 所提出的 $\mathcal{LU}$ 和 $\mathcal{NU}$ 算法实现了几乎必然一致性，即所有传感器以概率一收敛至真实参数值。
• 这些算法是渐近无偏且高效的，$\mathcal{LU}$ 和 $\mathcal{NU}$ 在指定条件下实现了渐近正态性。
• 对于 $\mathcal{LU}$ 和 $\mathcal{NU}$，本文提供了收敛速率保证，表明估计误差以由衰减权重序列决定的速率衰减。
• 对于表现出混合时变尺度行为和有偏扰动的 $\mathcal{NLU}$ 算法，通过本文开发的新颖分析框架证明了其一致性。
• 证明了序列 $\{\widehat{\mathbf{x}}(i)\}$ 是 $\mathcal{L}_2$ 有界的，确保了估计过程的稳定性。
• 估计误差 $\mathbb{E}_{\mathbf{\theta}^*}[\|\mathbf{y}(i)\|^2]$ 收敛至零，证实了分布式估计渐近收敛至真实参数值。