Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

Corso di Identificazione e Fusione Sensoriale

KALMAN CONSENSUS FILTER

Liuzzi, Lucaci, Massari, Orlando, Villani

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Introduzione al problema
Filtraggio distribuito di Kalman (DKF) è un problema che coinvolge sistemi
distribuiti per la comunicazione tra agenti stimatori e prevede degli algoritmi di stima di
filtri simili al filtro di Kalman.

Gli obiettivi del DKF sono :

• Stimare lo stato dei processi dinamici di interesse;
• Ottenere il consenso degli agenti stimatori del vicinato sullo stato stimato.

I principali contributi di questo articolo sono i seguenti:

• Trovare il filtro decentralizzato di Kalman per il consenso ottimo e mostrare che il
suo costo computazionale e comunicativo non sono scalabili su n dimensioni;

• Introdurre un filtro sub-ottimo di Kalman per il consenso scalabile e fornire un’analisi

formale sulla stabilità e le performance di questo algoritmo sul filtraggio distribuito e
cooperativo.

Esempi: tracciamento distribuito e la calibrazione automatica nelle reti di sensori,

sistemi di trasporto intelligente, sistemi distribuiti basati sulle persone, ecc...
Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione
 Concetti preliminari (1)

Si consideri un processo dinamico caratterizzato da un modello lineare tempo

variante :

Siamo interessati al tracciamento dello stato di questo bersaglio, usando la reti di sensori
con una topologia di comunicazione . Ogni sensore ha un modello lineare :

L’obiettivo principale è quello di progettare lo stimatore per ogni sensore in modo che, per
mezzo dello scambio locale di messaggi tra nodi del vicinato, la rete di sensori nell’insieme
fornisce un unico insieme di stime dello stato x(k) del bersaglio, cioè esiste una bolla
con un corrispettivo raggio attorno a x(k) che contiene tutte le stime.

Facendo riferimento all’insieme delle osservazioni

. .
Indichiamo con è il vettore dei dati del sensore collettivo
all’istante k.

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Concetti preliminari (2)

Data l’informazione collettiva , la stima dello stato del processo può

essere espressa come :

Definendo gli errori stimati e , le matrici di covarianza dell’errore

associate alle stime e saranno :

Con

Si definisce il blocco della matrice delle osservazioni e la matrice

di covarianza del rumore con gli elementi

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Concetti preliminari (3)
Date le dinamiche del processo e il modello sensoriale del nodo i-esimo della rete di
sensori può essere riscritta come :

Le equazioni ricorsive del Filtro di Kalman sono le seguenti :

Definendo e

Rispetto alle formule note dell’Information Filter si ottiene :

Con i dati dei sensori pesati e la matrice

Informazione S.

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Ottimalità
Per l’ottimalità bisogna considerare il seguente stimatore distribuito:
stimatore di Kalman per il consenso,

dove e sono il guadagno di Kalman e del consenso del nodo i-esimo

denota i vicini del nodo i-esimo sulla rete all’istante k

Lo stimatore di Kalman per il consenso (KC) è composto da due parti:

• uno stimatore di Kalman standard
• un termine di consenso per la stima a priori

Intuitivamente, aggiungendo il termine del consenso forziamo lo stimatore locale

a raggiungere il consenso riguardo lo stato stimato.

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Filtraggio ottimo di Kalman per il consenso

Trova l’insieme dei guadagni ottimi per i nodi della rete e le regole di
aggiornamento per le matrici di covarianza dell’errore e della stima a priori per
lo stimatore distribuito che minimizzano la stima dell’errore quadratico medio

Definiamo: e errori di stima del nodo i-esimo e

Definiamo anche l’insieme dei nodi che può essere raggiunto dal nodo i-esimo
attraverso due salti (secondo vicinato del nodo i) e
l’insieme inclusivo dei secondi vicini del nodo i-esimo.

Andando a considerare una rete di sensori con la topologia e un

processo lineare a tempo invariante e che ogni nodo misuri il
dato
Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione
 Filtraggio ottimo di Kalman per il consenso

Otteniamo:

dove

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Filtraggio ottimo di Kalman per il consenso

la scelta del guadagno per il consenso è libera, una scelta non accurata causa
o una mancanza di consenso nella stima o una mancanza di stabilità nelle
dinamiche dell’errore del filtro.
Evitare entrambe queste trappole è la sfida tecnica più grande.

Una possibile scelta è quella di settare

dove è la norma di Frobenio di una matrice e è una costante

relativamente piccola. Basandoci su questa scelta, il guadagno ottimo di KCF
può essere espresso come

è una piccola perturbazione della matrice identità

le equazioni di aggiornamento della covarianza del filtro non sono scalabili in n,
in quanto la complessità computazionale per risolvere l’equazione di Riccati
aggiornando è

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 KCIF

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 ALGORITMO KCIF
 
Scambio di messaggi in un ciclo per il nodo i
Dati , ed i messaggi }
Con j

1. Si ricava la misura

2. Si calcolano il vettore e la matrice d’informazione del nodo i:

3. Si trasmette il messaggio } ai vicini

4. Si ricevono i messaggi da tutti i vicini

5. Si uniscono i vettori e le matrici d’informazione ottenendo:

 ALGORITMO KCIF

 6. Si calcola lo stato stimato del KCIF:

7. Aggiorna lo stato del filtro informazione:

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Performance di KCIF
 Il costo computazionale per aggiornare la matrice è proporzionale ad
ed è indipendente dalla dimensione n della rete

 La complessità di comunicazione di KCIF è in cui è il rango medio

dei nodi della rete. Il rango medio dei nodi è

 Il costo computazionale di KCIF è quindi l’algoritmo è

scalabile in n

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

Analisi di stabilità: lemma

dove

Dinamiche
errore:
G.A.S

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

Analisi di stabilità: TEOREMA

Lemma

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

Analisi di stabilità: TEOREMA

SISTEMA
G.A.S

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione

 Corollario al TEOREMA

Si consideri una rete di sensori con una topologia fissa G con nodi che adottano
l’algoritmo del Teorema 2 del filtraggio di Kalman per il consenso.
Allora, l’Errore Quadratico Medio Pesato V si riduce severamente in ogni istante
proporzionalmente a .
Dove è il raggio dell’errore del gruppo di predizione fino a che tutti i nodi
raggiungono un consenso sulle stime a priori dello stato.

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione