[论文解读] Sparsity-Exploiting Anchor Placement For Localization In Sensor Networks

Sundeep Prabhakar Chepuri, Geert Leus+1 more|arXiv (Cornell University)|Mar 17, 2013

Indoor and Outdoor Localization Technologies参考文献 8被引用 24

一句话总结

本文提出了一种利用Cramér-Rao下界（CRB）作为性能约束的稀疏性利用凸优化框架，用于无线传感器网络中的锚点定位。该方法将锚点定位建模为稀疏选择问题，通过半定规划（SDP）实现高效求解，适用于单向测距模式（锚点或传感器发送），并结合迭代重加权ℓ₁-范数最小化以增强稀疏性，实现多项式时间复杂度下的最优定位。

ABSTRACT

Publication in the conference proceedings of EUSIPCO, Marrakech, Morocco, 2013

研究动机与目标

• 解决基于单向测距的定位系统中锚点最优布置问题，以最小化定位误差。
• 将锚点布置问题建模为稀疏选择向量设计，以降低计算复杂度。
• 在OW-A（锚点发送）情况下，将测距能量优化与锚点布置相结合，采用凸优化方法。
• 通过半定规划（SDP）实现组合式锚点选择问题的多项式时间可解凸松弛。
• 利用迭代重加权ℓ₁-范数最小化增强解的稀疏性，实现接近布尔值的锚点选择。

提出的方法

• 在二维网格上建模传感器与锚点的位置，传感器位置未知但位于定义的传感器区域𝒮内。
• 使用Cramér-Rao下界（CRB）作为性能度量，约束𝒮内所有传感器位置的定位精度。
• 将锚点布置问题建模为稀疏选择向量问题，仅从M个候选锚点位置中选择K个。
• 在OW-A（锚点发送）情况下，通过CRB约束的SDP联合优化锚点发射能量与布置，稀疏解同时指示最优能量与位置。
• 在OW-S（传感器发送）情况下，稀疏解直接给出最优锚点位置，传感器能量固定或后续优化。
• 应用迭代重加权ℓ₁-最小化以增强SDP解的稀疏性，随后通过随机化获得布尔型锚点选择。

实验结果

研究问题

• RQ1 如何在基于单向测距的传感器网络中优化锚点布置以最小化定位误差？
• RQ2 在OW-A情况下，锚点布置与测距能量分配的联合问题能否被高效求解？
• RQ3 如何利用锚点选择中的稀疏性来降低计算复杂度，同时保持定位精度？
• RQ4 与标准ℓ₁-范数松弛相比，迭代重加权ℓ₁-最小化在实现稀疏且精确的锚点布置方面有何性能增益？
• RQ5 与穷举搜索相比，所提出的基于SDP的框架在可扩展性与解质量方面表现如何？

主要发现

• 所提出的SDP公式提供了一个凸的、多项式时间可解的组合式锚点选择问题近似。
• 在OW-A情况下，稀疏解同时给出了最优锚点位置与最优测距能量分配，解决了联合优化问题。
• 迭代重加权ℓ₁-最小化方法显著增强了稀疏性，相比标准ℓ₁-范数解，产生了更清晰、更具可解释性的锚点布置。
• 在OW-S情况下，该方法成功识别出稀疏的最优锚点位置集合，无需在布置阶段进行传感器能量优化。
• 该算法避免了穷举搜索带来的不可行计算负担：对于80个网格点和14个锚点，搜索空间超过10¹⁷种组合，而所提方法可高效求解。
• 仿真结果证实，通过随机化，迭代ℓ₁-范数方法能获得有意义的布尔解，而标准ℓ₁-范数解因在密集场景下缺乏稀疏性而失效。