[论文解读] On Sensor Network Localization Using SDP Relaxation

Davood Shamsi, Nicole Taheri+2 more|arXiv (Cornell University)|Oct 11, 2010

Indoor and Outdoor Localization Technologies参考文献 30被引用 7

一句话总结

本文提出了基于半定规划（SDP）松弛的新充分条件，用于精确的传感器网络定位，证明了添加特定目标函数可确保三角剖分图的正确定位——这类图是稀疏网络，仅需最少的距离信息。该研究首次建立了随机传感器网络中唯一可定位性的非渐近连通范围边界，并评估了启发式目标函数，结果表明最大化未知距离能显著提升模拟中的成功率。

ABSTRACT

A Semidefinite Programming (SDP) relaxation is an effective computational method to solve a Sensor Network Localization problem, which attempts to determine the locations of a group of sensors given the distances between some of them [11]. In this paper, we analyze and determine new sufficient conditions and formulations that guarantee that the SDP relaxation is exact, i.e., gives the correct solution. These conditions can be useful for designing sensor networks and managing connectivities in practice. Our main contribution is twofold: We present the first non-asymptotic bound on the connectivity or radio range requirement of the sensors in order to ensure the network is uniquely localizable. Determining this range is a key component in the design of sensor networks, and we provide a result that leads to a correct localization of each sensor, for any number of sensors. Second, we introduce a new class of graphs that can always be correctly localized by an SDP relaxation. Specifically, we show that adding a simple objective function to the SDP relaxation model will ensure that the solution is correct when applied to a triangulation graph. Since triangulation graphs are very sparse, this is informationally efficient, requiring an almost minimal amount of distance information. We also analyze a number objective functions for the SDP relaxation to solve the localization problem for a general graph.

研究动机与目标

• 确定保证通过SDP松弛实现在传感器网络中精确定位的充分条件。
• 推导出随机分布传感器网络中唯一可定位性所需的无线电范围的非渐近下界。
• 提出并验证一类新图（三角剖分图），该类图在使用定制目标函数的SDP下始终能被正确定位。
• 评估并比较一般图中SDP松弛的启发式目标函数，以提高定位成功率。
• 基于连通性和信息效率，为传感器网络提供实用的设计指导。

提出的方法

• 提出一种SDP松弛模型（SNL-SDP），其目标函数经修改以强制满足严格对偶性，并确保三角剖分图的精确解。
• 引入应力矩阵分析以验证秩条件，并证明在新目标函数下具有唯一可定位性。
• 推导出无线电范围的非渐近下界，使得随机传感器网络以高概率实现唯一可定位性。
• 采用启发式目标函数，通过最大化未知节点间距离之和来提升解的精度和收敛性。
• 在200个具有不同无线电范围的随机2D传感器网络上进行大量数值实验，以比较不同目标函数的性能。
• 使用基于远距离点的目标函数（MAX-PT）测试替代策略，并与最优的距离最大化方法进行比较。

实验结果

研究问题

• RQ1 随机分布的传感器网络要以高概率实现唯一可定位性，所需的最小无线电范围是多少？
• RQ2 SDP松弛中是否存在特定目标函数，可保证对稀疏且信息高效三角剖分图实现精确定位？
• RQ3 SDP松弛中不同启发式目标函数在实际传感器网络定位中的成功率有何影响？
• RQ4 在何种条件下，SDP松弛能为一般传感器网络图产生正确且唯一的解？
• RQ5 能否证明SDP松弛在传感器网络定位中满足严格对偶性条件？其对解的唯一性有何含义？

主要发现

• 本文建立了无线电范围的非渐近下界，可确保在随机分布的二维传感器网络中以高概率实现唯一可定位性。
• 在SDP松弛中添加距离最大化目标函数，可保证对三角剖分图实现精确定位，这类图是稀疏的，且仅需最少的距离信息。
• 在模拟中，MAX目标函数（最大化未知距离）在无线电范围为0.35时实现了100%的定位成功率，优于ZERO、MIN和MAX-PT方法。
• MAX目标函数在无线电范围0.35时达到100%成功率，显著低于本文推导出的理论下界，表明其在实际中效率超出理论极限。
• MAX-PT目标函数（最大化至远距离点的距离）表现较差，在无线电范围0.4时仅实现13%的成功率。
• 理论分析证实，在所提目标函数下，三角剖分图满足严格对偶性，从而确保解的唯一性和正确性。