Distributed particle filtering in networks of agents

Abstract

Die vorliegende Arbeit befasst sich mit verteilten Partikelfiltern (VPFs) fur die dezentrale sequenzielle Schatzung in Agentennetzen. Die Agenten besitzen Mess-, Rechen- und Kommunikations- fahigkeiten. Beispiele fur die vielfaltigen Anwendungen von Agentennetzen sind Umwelt- und Landwirtschaftskontrolle, Zielverfolgung, Lokalisierung von Verschmutzungsquellen, Gesundheitskontrolle, Verfolgung chemischer Wolken und Uberwachung. Viele Anwendungen erfordern eine verteilte Schatzung gewisser Umgebungsparameter aufgrund der Messwerte der einzelnen Agenten. Partikelfilter (PFs) stellen einen modernen Ansatz fur die sequenzielle Schatzung dar, der ausgezeichnete Ergebnisse in nichtlinearen und nicht-Gaussschen Systemen erzielt. Eine verteilte (dezentrale) Implementierung von PFs wird dadurch erschwert, dass die Messwerte uber die Agenten verteilt sind. Die Verbreitung dieser lokalen Informationen im gesamten Netz ist daher eine wesentliche Komponente von VPF-Algorithmen.<br />In dieser Arbeit wird eine Klassifizierung der existierenden VPF-Algorithmen in fusion center-based, statistics dissemination-based und measurement dissemination-based VPFs vorgeschlagen. Zwei Unterklassen der statistics dissemination-based VPFs sind leader agent-based und consensus-based VPFs. Wichtige Eigenschaften der VPF-Algorithmen jeder (Unter-)Klasse werden disku- tiert. Sodann wird ein neuartiges leader agent-based VPF vorgestellt, welches durch eine "look ahead"-Adaption der proposal-Dichte eine verbesserte Schatzung erzielt. Bei diesem VPF werden Gauss-Mixtur-Darstellungen partieller a posteriori-Dichten uber eine Kette von Agenten propa- giert. Weiters werden mehrere consensus-based VPFs vorgestellt, die eine verteilte Berechnung der globalen Likelihood-Funktion mittels der neuartigen "likelihood consensus"-Methode durchfuhren. Jeder Agent verwendet ein lokales PF, das auf der Grundlage der globalen Likelihood-Funktion eine Partikeldarstellung der globalen a posteriori-Dichte ermittelt. Zur Verringerung des Kommunikationsaufwands und der Latenz wird eine modifizierte likelihood consensus-Methode vorgeschlagen, die nur eine einzige Konsensus-Iteration pro PF-Rekursion benotigt. Schliesslich wird eine Konsensus-basierte Methode zur verteilten Adaption der proposal-Dichte entwickelt, durch die eine Verbesserung der Schatzung oder eine Verringerung der Partikelanzahl ermoglicht wird.<br />Simulationsergebnisse fur ein Zielverfolgungsproblem zeigen, dass die vorgeschlagenen VPFs ausgezeichnete Ergebnisse liefern, die den Ergebnissen des zentralisierten PFs oft sehr nahe kommen.<br />

This thesis is focused on distributed particle filter (DPF) algorithms performing decentralized sequential state estimation in networks of agents. The individual agents are equipped with sensing, computation, and communication capabilities. Applications of networks of agents are manifold and include environmental and agricultural monitoring, target tracking, pollution source localization, healthcare monitoring, chemical plume tracking, and surveillance. Performing distributed (collaborative) estimation of certain states of the environment from the measurements obtained by the agents is an essential task in many applications. Particle filters (PFs) are a modern approach to sequential state estimation that offers superior performance in nonlinear and non-Gaussian systems. A distributed (decentralized) implementation of PFs in networks of agents is complicated by the fact that the measurements are dispersed among the agents. Diffusing the locally available information throughout the network is thus an essential component of DPF algorithms.<br />In this thesis, we group the existing DPF algorithms into three main classes, which we call fusion center-based, statistics dissemination-based, and measurement dissemination-based DPFs. Sub- classes of the statistics dissemination-based class include leader agent-based and consensus-based DPFs. We discuss the main features and properties of the DPF algorithms belonging to the various (sub)classes.<br />Then, we propose a novel leader agent-based DPF with a "look-ahead" proposal density adaptation that significantly reduces the estimation error. In this DPF, Gaussian mixture representations of partial posteriors are propagated along an aggregation chain of agents. We also propose several consensus-based DPFs that employ the novel "likelihood consensus" method for a distributed approximate calculation of the global (all-agents) likelihood function. In these DPFs, each agent executes a local PF that calculates a particle representation of the global posterior. To reduce the amount of communications and the latency, we propose a modification of the likelihood consensus that requires only a single consensus iteration per PF recursion. Finally, we develop a distributed, consensus-based proposal adaptation scheme that yields a performance improvement or allows a reduction of the number of particles. Simulation results for a target tracking problem demonstrate the excellent performance of the proposed DPFs, which is often very close to the performance of a centralized PF.