[论文解读] Mobile Sensor Path Planning for Kalman Filter Spatiotemporal Estimation

Jiazhong Mei, Steven L. Brunton+1 more|arXiv (Cornell University)|Dec 16, 2022

Target Tracking and Data Fusion in Sensor Networks被引用 4

一句话总结

本文提出一种用于移动传感器的贪心路径规划算法，通过最小化离散可观测性矩阵的条件数来优化卡尔曼滤波性能，利用动态轨迹实现与多个静止传感器相当的估计精度。该方法显著提升了收敛速度与极限误差表现，尤其适用于具有局部空间结构的系统。

ABSTRACT

The estimation of spatiotemporal data from limited sensor measurements is a required task across many scientific disciplines. The sensor selection problem, which aims to optimize the placement of sensors, leverages innovations in greedy algorithms and low-rank subspace projection to provide model-free, data-driven estimates. Alternatively, Kalman filter estimation balances model-based information and sparsely observed measurements to collectively make an estimation, with many related optimization algorithms developed for selecting optimal sensors. The majority of methods have been developed for stationary sensors, with relatively limited work estimating spatiotemporal data using mobile sensors that leverage both Kalman filtering and low-rank features. We show that mobile sensing along dynamic trajectories can achieve the equivalent performance of a larger number of stationary sensors, with performance gains related to three distinct timescales: (i) the timescale of the spatio-temporal dynamics, (ii) the velocity of the sensors, and (iii) the rate of sampling. Taken together, these timescales strongly influence how well-conditioned the estimation task is. Mobile sensing is particularly effective for spatio-temporal data that contain spatially localized structures, whose features are captured along dynamic trajectories. We draw connections between the Kalman filter performance and the observability of the state space model, and propose a greedy path planning algorithm based on minimizing the condition number of the observability matrix. Through a series of examples of increasing complexity, we show that mobile sensing improves Kalman filter performance in terms of better limiting estimation and faster convergence.

研究动机与目标

• 为解决静止传感器布设在时空估计中的局限性，通过动态轨迹实现移动传感。
• 通过使用移动传感器而非固定传感器网络，提升卡尔曼滤波估计性能，特别是降低极限误差与加快收敛速率。
• 将传感器路径规划建模为基于离散可观测性矩阵条件数的子矩阵选择问题。
• 提出一种时间前向贪心算法，利用带列置换的QR分解（QRcp）与GappyPOD原理，在周期性轨迹上选择最优传感器位置。
• 研究三个关键 timescales（时空动力学、传感器速度与采样率）对估计性能的影响。

提出的方法

• 该方法将传感器路径规划建模为最小化离散可观测性矩阵条件数的问题，以增强卡尔曼滤波的可观测性与估计稳定性。
• 提出一种时间前向贪心算法，沿周期性轨迹迭代选择传感器位置，其选择规则与带列置换的QR分解（QRcp）及GappyPOD+E一致。
• 该算法在空间位置的候选子集上运行，确保计算效率的同时保持接近最优的性能。
• 该方法将卡尔曼滤波与低秩子空间投影相结合，从稀疏的移动传感器测量中估计时空动力学。
• 该方法综合考虑三个关键 timescales：动力学的奈奎斯特采样率、采样率与传感器速度，三者共同决定估计条件。
• 路径规划被限制在周期性轨迹上，以实现可预测、可重复的传感器运动，并在时间上保持稳定估计。

实验结果

研究问题

• RQ1 移动传感器轨迹能否实现与更多静止传感器相当的卡尔曼滤波估计性能？
• RQ2 三个 timescales（时空动力学、传感器速度与采样率）如何影响卡尔曼滤波估计的条件性与性能？
• RQ3 最小化可观测性矩阵条件数在多大程度上提升了估计精度与收敛速度？
• RQ4 基于可观测性度量的贪心路径规划算法能否在复杂非线性时空系统中超越静态传感器布设？
• RQ5 移动传感如何增强在线性化动力学模型中局部空间特征的捕捉能力？

主要发现

• 沿优化动态轨迹的移动传感可实现与更多静止传感器相当的估计性能，尤其适用于具有局部空间结构的系统。
• 与静止配置相比，移动传感器的估计误差收敛更快，能够更快适应动态变化。
• 当传感器路径规划为最小化可观测性矩阵条件数时，卡尔曼滤波的极限平方误差显著降低。
• 该方法在合成与真实世界实验中均表现出更优性能，包括用于海表温度估计的14周周期性轨迹。
• 移动传感器的估计误差收敛速率明显更快，即使在系统发生变化后，误差仍保持较低水平，如SST数据前两年所示。
• 所提出的贪心算法能有效捕捉时空场中的局部特征，在精度与适应性方面均优于静态布设。