[论文解读] On Distributed Optimization, Convex Relaxations, and Sensor Network Localization Problems.

Andrea Simonetto, Geert Leus|arXiv (Cornell University)|Sep 10, 2013

Indoor and Outdoor Localization Technologies参考文献 48被引用 2

一句话总结

本文提出了一种基于ADMM的分布式凸松弛方法，用于传感器网络定位，该方法采用对测量噪声概率密度函数（PDF）敏感的最大似然公式。该方法实现了仅依赖邻居信息的本地计算，具备全局收敛性、抗错能力和大规模网络的可扩展性，优于集中式和其它分布式方法。

ABSTRACT

We propose a class of convex relaxations to solve the sensor network localization problem, based on a maximum likelihood (ML) formulation. This class, as well as the tightness of the relaxations, depends on the noise probability density function (PDF) of the collected measurements. We derive a computational efficient edge-based version of this ML convex relaxation class and we design a distributed algorithm that enables the sensor nodes to solve these edge-based convex programs locally by communicating only with their close neighbors. This algorithm relies on the alternating direction method of multipliers (ADMM), it converges to the centralized solution, it can run asynchronously, and it is computation error-resilient. Finally, we compare our proposed distributed scheme with other available methods, both analytically and numerically, and we argue the added value of ADMM, especially for large-scale networks.

研究动机与目标

• 解决在存在噪声测距测量的大规模网络中实现精确且可扩展的传感器网络定位的挑战。
• 为传感器网络定位问题构建一个凸松弛框架，使其能够适应测量噪声的统计特性。
• 设计一种分布式优化算法，仅通过邻居通信实现本地计算，确保收敛性和鲁棒性。
• 通过实证证明基于ADMM的方法在可扩展性和抗错能力方面优于现有的集中式和分布式方法。
• 通过利用基于边缘的公式化和异步执行，确保计算效率和容错能力。

提出的方法

• 将传感器网络定位问题建模为最大似然（ML）估计问题，其中似然函数依赖于测距测量的噪声概率密度函数（PDF）。
• 构建一类ML问题的凸松弛，其紧致性由底层噪声PDF决定，在特定条件下可确保全局最优性。
• 推导ML凸松弛的基于边的重表述，以降低计算复杂度并支持分布式实现。
• 采用交替方向乘子法（ADMM）实现分布式优化算法，使每个传感器节点仅使用邻居信息即可求解其局部子问题。
• 通过ADMM结构确保收敛至集中式解，支持异步更新，并保持对计算错误的鲁棒性。
• 设计算法以实现通信高效和可扩展，适用于本地处理能力和通信范围有限的大规模传感器网络。

实验结果

研究问题

• RQ1 如何根据不同的噪声PDF对传感器网络定位问题的凸松弛进行定制，以提高解的紧致性？
• RQ2 何种分布式优化框架能够实现仅依赖邻居信息的本地计算，同时收敛至集中式解？
• RQ3 所提出的基于ADMM的方法在分析和数值上与现有集中式和分布式定位算法相比有何差异？
• RQ4 基于ADMM的方法在哪些方面增强了大规模网络中的可扩展性、容错能力和对计算错误的鲁棒性？
• RQ5 基于边的公式化对计算效率和分布式可实现性有何影响？

主要发现

• 在适当的噪声PDF假设下，所提出的凸松弛类具有紧致性，当松弛为精确时可恢复全局最优解。
• 基于边的公式化显著降低了计算复杂度，相比基于节点的公式化，可实现高效的分布式实现。
• 基于ADMM的分布式算法即使在异步更新和计算错误下仍能收敛至集中式解。
• 数值对比表明，所提方法在定位精度和可扩展性方面优于现有集中式和分布式方法。
• 该算法对通信和计算错误表现出强鲁棒性，适用于现实世界中不可靠的传感器网络。
• 由于采用局部计算和最小通信需求，该方法在大规模网络中表现出良好的可扩展性。