多任务网络中的分布式扩散卡尔曼滤波器
摘要：分布式扩散卡尔曼滤波（DDKF）算法已经引起了很大的关注，并展示了解决分布式优化问题的精妙方法。过去的研究主要集中在节点共同对单个状态向量进行估计和跟踪的问题上。然而，在实际应用中，存在多个面向多任务的问题，每个节点的最优状态向量可能不同。本文研究了传感器网络中的分布式多任务跟踪问题，其中各个节点与其相邻节点进行通信。作者开发了一种基于扩散的分布式多任务跟踪算法，通过实施无监督的自适应聚类过程，帮助节点形成聚类并共同协作解决任务。对于分布式目标跟踪，采用一种自适应的聚类方法，使代理能够通过自适应调整组合权重来选择与其合作估计公共状态向量以及选择不与其合作的节点。这种方法提高了协作水平，尤其在集群的背景经验未知的情况下提高了状态向量估计的准确性。通过计算机仿真实验证明了算法的有效性。此外，还对比了基于扩散卡尔曼滤波多任务的“适应再组合”（ATC）扩散方案中使用静态和自适应组合权重的性能。结果显示，与静态组合器相比，采用自适应组合器的ATC扩散方案算法具有更好的性能。
作者：Ijeoma Amuche Chikwendu, Kulevome Delanyo Kwame Bensah, Chiagoziem Chima Ukwuoma, Chukwuebuka Joseph Ejiyi
论文ID：2207.03181
分类：Multiagent Systems
分类简称：cs.MA
提交时间：2022-07-08