学术界在设计状态估计器时就如何补偿丢包损失已经有了一系列成果[6-10]。文献[6]提出1种常增益的算法,用估计值反馈代替丢失的测量信息,避免了在线计算的负担。文献[7]提出1种线性预测器,对已经到达处理中心的测量值进行加权处理,并给出最优加权系数和最优阶数的获取方法。文献[8]提出1种指数衰减加权系数方法,通过调节加权系数得到满意的估计精度。然而文献[6-8]均考虑在处理中心处对丢包信息进行补偿,虽取得了不错的精度,但这些方法所用的补偿值均是对已经到达处理中心的测量信息进行组合,而没有重新利用已经丢失的数据,精度的好坏取决于系数的选取。对此,文献[9]指出无论是在单传感器估计还是在多传感器融合估计中,在传感器端计算得到状态估计并将其发送至远程中心,能够补偿之前所有丢失的测量值,但是状态估计值的维数往往高于测量值的维数,这就意味着传输估计值会占用更多的网络带宽或者网络资源,这可能会导致更高的丢包率。为了降低数据传输的维数并且严格补偿丢包损失,文献[10]研究单传感器状态估计问题时提出在发送数据之前对存储在传感器存储空间中的之前的有限个测量值进行线性组合,进而得到新的传输量后传输至处理中心,基于该传输量得到Kalman滤波器,提高了估计精度。然而当系统模型存在非高斯非白噪声随机干扰时,文献[10]中方法不再适用,并且文献[10]没有给出离线估计器的设计,其估计器增益和误差协方差均需根据每一时刻的丢包情况进行实时计算,若拓展到多传感器融合估计器,高维矩阵的实时求逆计算不利于实时性要求高的场景。
另一方面,目前学术界在设计具有随机丢包的多传感器状态估计器时,均假设信道的丢包率是固定不变的。然而在某种实际网络环境中尤其是无线网络环境中,信道的丢包率与同时访问信道的传感器数量是相关的[11]。非固定丢包率目前在网络化多传感器状态估计中并没有得到广泛重视和研究。仅文献[11]以CSMA/CA标准通信协议为研究对象,给出无线信道丢包率与同时访问网络的传感器数量之间的函数关系,在集中式框架下给出了2种次优的融合估计器。该方法有如下不足:没有考虑模型不确定性;未对丢包损失进行有效补偿;集中式融合结构虽能保证现有测量信息精度损失最小,但是其容错能力较差,工程上难以实现;传感器传输概率优化需进行高维矩阵求逆,不利于实时性。
考虑到文献[11]的上述不足,本文在分布式融合框架下,研究具有模型不确定和非固定丢包率的多传感器融合估计器设计问题。其中模型的不确定性描述为系统矩阵受到非高斯非白噪声随机扰动,无线信道的丢包率与传输数据包的传感器数量成正比,为补偿丢包带来的损失同时降低网络带宽的占用,利用文献[10]中线性编码方法,每个传感器将过去测量得到的有限个测量数据进行线性组合,得到新的传输量后经无线信道传输至远程处理中心。针对随机到达的各个传感器对应的新的传输量,本文设计一种最小方差离线局部无偏估计器,该估计器便于离线计算并利用数据包到达变量,利用最优线性无偏估计方法[12]得到最小方差意义下的分布式融合估计器,建立融合估计误差协方差与各传感器每一时刻传输概率之间的关系,在编码参数确定的前提下,可通过设计各传感器的传输概率使得融合估计器达到满意的性能。
1 问题描述与分析 考虑如下离散不确定线性随机系统:
![]() | (1) |
式中:xk∈Rn为系统状态,系统初值x0为白噪声,其均值和方差分别为x0和P0;Ak和


假设系统由N个传感器进行观测,第i个传感器测量方程描述为
![]() | (2) |
式中:yki∈Rmi为第i个传感器的测量输出;Cki为已知测量矩阵;测量噪声vki为协方差矩阵为Vki的零均值白噪声。
不失一般性,假设对于任意i、j和k,x0、gk、wk、vki和vkj均两两互不相关。
网络化分布式融合估计结构如图 1所示。k时刻第i个传感器传输量zki封装于数据包中,数据包经无线信道向远程处理中心传输。为方便描述,本文以文献[11]所引用的CSMA/CA通信协议为例,在该协议下,由于网络资源有限,在同一采样周期内传输数据包的传感器数量越多,无线信道的丢包率越高。假设网络中同时进行数据传输的传感器数量为M,此时无线信道的丢包率不妨记为0≤Pc(M)≤1,且设定Pc(M)为M的单调递增函数。用随机变量ski表示k采样时刻第i个传感器是否传输zki,其中ski=1表示zki被传输,反之ski=0表示zki未被传输,传输概率记为pk, trani。这里,每个传感器传输数据依据概率pk, trani间歇式发送,因而k时刻网络中同时传输数据的传感器数可以是1~N之间的任意一个随机数,不妨设为Mk,不同时刻下同时传输数据的传感器数Mk并非固定值,因此丢包率Pc(Mk)不是固定的。用随机变量γki表示zki是否丢失,其中γki=1表示zki未丢失,反之γki=0表示zki丢失,丢失概率记为pk, lossi;默认当ski=0时,γki=0;用随机变量ξki表示zki是否到达远程处理中心,其中ξki=1表示zki到达远程处理中心,反之ξki=0表示zki未到达远程处理中心,到达概率记为pk, arri。根据以上定义可得
![]() | (3) |
![]() | (4) |
![]() | (5) |
![]() |
图 1 网络化分布式融合估计结构 Fig. 1 Networked decentralized fusion estimation structure |
图选项 |
式中:


![]() | (6) |
其中:Ψi为集合{1, 2, …, N}的任意子集,且Ψi不包含i,




令pk, arri, j=Prob{ξkiξkj=1},则可得
![]() | (7) |
式中:


![]() | (8) |
其中:Ψi, j为集合{1, 2, …, N}的任意子集,且Ψi不包含i和j,



这里需要解释说明的是,计算pk, arri时,由式(3)可知传感器i的数据包到达处理中心有2个条件:一是传感器i发送数据,即ski=1;二是数据包不丢失,即γki=1。因此可以得到
![]() |
接下来计算Prob{γki=1|ski=1}。用Ψi表示集合{1, 2, …, N}的任意子集,且Ψi不包含i,


![]() |
则可得
![]() |
而

![]() |
同理,令



本文假设若远程处理中心未接收到数据包,则其相应的存储信息将置0,因此处理中心接收到的与传感器i相对应数据包值可表示为
![]() | (9) |
为了补偿丢包引起的估计精度损失且不占用额外的网络资源,本文采用类似文献[10]所提出的有限长度线性编码补偿方法。具体为:在传感器端设置长度为L的存储空间,在k时刻将k时刻之前(包括k时刻)的L个测量值进行存储,并进行线性组合。记ζLi=[1, ζ1i, …, ζL-1i]T,则zki可表示为
![]() | (10) |
式中:ζLi为编码组合系数;Imi∈Rmi为单位矩阵;符号?表示Kronecker积; colL(yki)=[ykiT, yk-1iT, …,yk-L+1iT]T。
文献[10]所采用的编码系数每一时刻均是随机产生的,而本文所用的编码系数是设定好的常数,此举便于后文中局部估计器的离线设计,避免分布式融合估计方法中高维矩阵求逆的在线计算,增强了融合估计器的实时性。
显然通过组合序列{zki, zk-1i, …, zk-L+1i}可得到测量值序列{yki, yk-1i, …, yk-L+1i},因此当ξki=1时编码组合值能够完整保留原始传感器测量信息。
组合值zki所包含的噪声与zk-1i, …, z0i所包含的噪声是相关联的,为了方便设计估计器,需要建立以zki为测量的系统方程和测量方程。定义变量ηki=colL-1(yk-1i)∈R(L-1)mi,可以得到
![]() | (11) |
式中:



令变量

![]() | (12) |
![]() | (13) |
式中:



接下来本文基于式(9)、式(12)和式(13)设计局部最优估计器。目前在研究模型不确定性的文献中,大多假设系统矩阵中的随机噪声为高斯乘性白噪声,并且可以将系统矩阵中的白噪声转化为系统噪声,因而可直接利用文献[10]中标准Kalman滤波方法得到状态估计。而在方程(12)中,因为矩阵Φki中存在乘性随机噪声gk,使得每一时刻系统矩阵不再是确定的,并且未假设gk是白噪声,所以标准的Kalman滤波方法不再适合解决系统方程式(12)、式(13)的最优估计问题,需要设计估计方法。为此本文采用如下估计器形式:
![]() | (14) |
式中:



利用数学归纳法易证估计器(14)是无偏的,这里不再赘述。
由μki与xk的关系可得,xk的局部最优估计

![]() | (15) |
![]() | (16) |
![]() | (17) |
定义运算符号coli(Di)=[D1T, …, DiT, …, DNT],采用文献[12-14]中最优线性无偏估计方法,最优分布式融合估计器计算式为
![]() | (18) |
式中:



![]() | (19) |
Pko和Pki, i的迹满足如下关系:
![]() | (20) |
至此,本文要解决的问题是:
1) 设计局部估计器增益Lki,使得Σki, i最小,即Pki, i最小。
2) 基于所设计的估计增益Lki,得到分布式融合估计器的表达式,并建立融合估计误差与传感器传输概率pk, tran={pk, tran1, pk, tran2, …, pk, tranN}之间的函数关系,通过设计pk, tran使得融合估计器到达满意的效果。
2 局部估计增益设计 首先定义变量Ski, j=E[ΓkiWkiWkjTΓkjT],Rki, j=E[ΓkiWkivkjT],

定理1?对于第i个子系统式(9)、式(12)和式(13),使得局部估计器误差协方差Σki, i最小的局部估计增益的递推式为
![]() | (21) |
局部最优估计误差协方差递推式为
![]() | (22) |
局部最优估计误差交叉协方差递推式为
![]() | (23) |
变量Uki, j的递推式为
![]() | (24) |
证明 ?下面证明式(21)。由式(9)、式(12)、式(13)和式(14)可得
![]() | (25) |
由


![]() |
![]() | (26) |
将式(26)变形得到
![]() | (27) |
令

需要说明的是:一方面,与文献[10]中线性编码后的Kalman估计器相比,本文设计的局部估计器(式(14))处理了模型不确定性,并且得到的局部估计器增益(式(21))及局部估计误差协方差矩阵(式(22))均可离线计算,从而使得融合估计器(式(19))可离线计算,提高了实时性。另一方面,式(14)中

3 次优传输概率设计 由式(19)、式(22)和式(23)可知,分布式融合估计器估计误差协方差矩阵Pko依赖于概率pk, arri和pk, arri, j。由式(5)和式(7)可知,pk, arri和pk, arri, j依赖于传输概率pk, trani和pk, tranj,进而得到Pko与各传感器传输概率pk, tran={pk, tran1, pk, tran2, …, pk, tranN}之间的函数关系。
设计最优传输概率

![]() | (28) |
然而由式(19)可知,为得到Pko需计算高维矩阵

定义?J(Pk)=(IoTPk-1Io)>0,可以得到

![]() | (29) |
对于矩阵Pk∈Rn×n,有如下不等式成立:
![]() | (30) |
由式(29)可知,在松弛条件式(30)下,优化问题式(28)可以转化为如下形式:
![]() | (31) |
显然,优化问题式(31)的最优解并不是式(28)的最优解,而是式(28)的一组次优解,但是这样处理的好处是避免了对Pk进行求逆计算和处理局部估计误差之间的交联,有效降低了计算复杂度,提高了实时性。
因为

![]() | (32) |
优化问题式(32)相比于式(28)避免了高维矩阵的求逆,降低了求解的计算复杂度。通过求解式(32)可得到一组次优的传输概率{pk, tran1, pk, tran2, …, pk, tranN}。
4 算例仿真 本文考虑由3个传感器观测某不间断电源系统[15],系统矩阵












分布式融合估计值和各传感器局部最优估计值的计算结果如图 2所示。5条曲线分别表示系统真实状态xk、融合估计值



![]() |
图 2 真实状态、融合及局部最优估计值计算结果 Fig. 2 Calculation results of true state, fusion andlocally optimal estimates |
图选项 |
![]() |
图 3 估计误差协方差矩阵的迹计算结果 Fig. 3 Calculation results of trace of estimationerror covariance matrixes |
图选项 |
![]() |
图 4 次优传输概率计算结果 Fig. 4 Calculation results of suboptimal transmission rates |
图选项 |
表 1 不同传输概率下的融合估计精度 Table 1 Fusion estimation accuracy with different transmission rates
pk, tran* | Tr(P200o) |
{0.06, 0.999, 0.999} | 0.7077 |
{1, 1, 1} | 0.7130 |
{0.9, 0.9, 0.9} | 0.7152 |
{0.5, 0.5, 0.5} | 0.7244 |
表选项
![]() |
图 5 乘性噪声与融合估计精度的关系 Fig. 5 Relationship between multiplicative noise and fusion estimation accuracy |
图选项 |
![]() |
图 6 线性编码对融合估计精度的影响 Fig. 6 Effects of linear coding on fusion estimation accuracy |
图选项 |
5 结束语 本文利用线性编码方法对非固定丢包在发送端进行补偿,降低了信息损失;建立了分布式融合估计误差协方差与各传感器传输概率的关系,在融合精度损失不大的前提下,得到一组次优的传感器传输概率,避免了高维矩阵的求逆计算和处理局部估计误差之间的交联,有效提高了实时性。结果表明,模型的不确定性越大,融合估计误差越大。因此,在实际中可通过减小建模的不确定性来提高融合估计精度。
参考文献
[1] | MA J, SUN S. Optimal linear estimators for multi-sensor stochastic uncertain systems with packet losses of both sides[J]. Digital Signal Processing, 2012, 6(9): 839-848. |
[2] | HAN C, ZHANG H, FU M. Optimal estimation for networked systems with Markovian communication delays[J]. Automatica, 2013, 49(10): 3098-3104. |
[3] | CHEN B, YU L, ZHANG W A. Distributed fusion estimation with missing measurements, random transmission delays and packet dropouts[J]. IEEE Transactions on Automatic Control, 2014, 59(7): 961-967. |
[4] | ZHANG W A, YU L, FENG G. Optimal linear estimation for networked systems with communication constraints[J]. Automatica, 2011, 47(9): 1992-2000. DOI:10.1016/j.automatica.2011.05.020 |
[5] | SUN S L. Optimal linear filters for discrete-time systems with randomly delayed and lost measurements with/without time stamps[J]. IEEE Transactions on Automatic Control, 2013, 58(6): 1551-1556. DOI:10.1109/TAC.2012.2229812 |
[6] | SILVA E, SOLIS M. An alternative look at the constant-gain Kalman filter for state estimation over erasure channels[J]. IEEE Transactions on Automatic Control, 2013, 58(12): 3259-3265. DOI:10.1109/TAC.2013.2263647 |
[7] | NAEEM K, SAJJAD F, GU D W. Improvement on state estimation for discrete-time LTI systems with measurement loss[J]. Measurement, 2010, 43(10): 1609-1622. DOI:10.1016/j.measurement.2010.09.011 |
[8] | ZHANG L J, YANG L X, GUO L D, et al. Optimal estimation for multiple packet dropouts systems based on measurement predictor[J]. IEEE Sensors Journal, 2011, 11(9): 1943-1950. DOI:10.1109/JSEN.2011.2106157 |
[9] | SCHENATO L. Optimal estimation in networked control systems subject to random delay and packet drop[J]. IEEE Transactions on Automatic Control, 2008, 53(5): 1311-1317. DOI:10.1109/TAC.2008.921012 |
[10] | SUI T J, YOU K Y, FU M Y, et al. Stability of MMSE state estimators over lossy networks using linear coding[J]. Automatica, 2015, 51: 167-174. DOI:10.1016/j.automatica.2014.10.086 |
[11] | SUI T J, YOU K Y, FU M Y. Optimal sensor scheduling for state estimation over lossy channel[J]. IET Control Theory & Applications, 2015, 9(16): 2458-2465. |
[12] | 赵国荣, 韩旭, 卢建华. 一种基于数据驱动传输策略的带宽受限的分布式融合估计器[J]. 自动化学报, 2015, 41(9): 1649-1658. ZHAO G R, HAN X, LU J H. A decentralized fusion estimator using data-driven communication strategy subject to bandwidth constraints[J]. Acta Automatica Sinca, 2015, 41(9): 1649-1658. (in Chinese) |
[13] | BATTISTELLI G, BENAVOLI A, CHISCI L. Data-driven communication for state estimation with sensor networks[J]. Automatica, 2012, 48(5): 926-935. DOI:10.1016/j.automatica.2012.02.028 |
[14] | LI N, SUN S L, MA J. Multi-sensor distributed fusion filtering for networked systems with different delay and loss rates[J]. Digital Signal Processing, 2014, 34: 29-38. DOI:10.1016/j.dsp.2014.07.016 |
[15] | SUN S L, WANG G. Modeling and estimation for networked systems with multiple random transmission delays and packet losses[J]. Systems & Control Letters, 2014, 73(12): 6-16. |