Exploiting Structure for Optimal Multi-Agent Bayesian Decentralized Estimation

要約

ベイズ分散データ融合における主要な課題は、以前に送信されたデータが送信者に戻って循環する「噂の伝播」または「二重カウント」現象です。
この問題は、推定値の加重平均を取得して限界を計算する共分散交差 (CI) などの近似手法によって対処されることがよくあります。
問題は、この限界が厳しくないこと、つまり推定値が保守的すぎることが多いことです。
この論文では、マルチエージェント分散融合問題における確率的独立構造を利用することにより、(i) 元の CI の 1 つの (モノリシック) 重み係数の代わりに複数の (非モノリシック) 重み係数を使用する CI アルゴリズムの拡張、および (ii) 最適な境界を計算し、任意の依存構造を完全に活用できる一般的な最適化スキームを使用して、より厳しい境界を見つけることができることを示します。
私たちの方法を比較し、単純な問題に関しては同じ解決策に収束することを示します。
次に、大規模なターゲット追跡シミュレーションで新しい非モノリシック CI アルゴリズムをテストし、元のモノリシック CI と比較してより厳密な境界とより正確な推定を達成することを示します。

要約(オリジナル)

A key challenge in Bayesian decentralized data fusion is the `rumor propagation’ or `double counting’ phenomenon, where previously sent data circulates back to its sender. It is often addressed by approximate methods like covariance intersection (CI) which takes a weighted average of the estimates to compute the bound. The problem is that this bound is not tight, i.e. the estimate is often over-conservative. In this paper, we show that by exploiting the probabilistic independence structure in multi-agent decentralized fusion problems a tighter bound can be found using (i) an expansion to the CI algorithm that uses multiple (non-monolithic) weighting factors instead of one (monolithic) factor in the original CI and (ii) a general optimization scheme that is able to compute optimal bounds and fully exploit an arbitrary dependency structure. We compare our methods and show that on a simple problem, they converge to the same solution. We then test our new non-monolithic CI algorithm on a large-scale target tracking simulation and show that it achieves a tighter bound and a more accurate estimate compared to the original monolithic CI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google