Stima ed algoritmi di consensus distribuito considerazioni su

Stima ed algoritmi di consensus distribuito: considerazioni su IKF e decomposizione del modello Facoltà di Ingegneria Corso di Laurea in Ingegneria dell'Automazione Corso di Progettazione di Sistemi di Controllo A. A. 2008/09 Docente: Luca Schenato Loris Antoniazzi Marco Bortolomiol

Introduzione • Reti di sensori (WSN) - Stima distribuita • Premessa: - Varietà di sistemi fisici ai quali si possono applicare tecniche di stima distribuita Quindi: - Focalizzazione su sistemi su vasta scala, scomponibili in sottosistemi che condividono tra loro un numero limitato di componenti di stato

Introduzione 1. IKF con algoritmi di consensus • Il tentativo di replicare il filtro centralizzato attraverso il consensus non fornisce la scelta migliore nel caso ci siano poche comunicazioni per ogni periodo di campionamento • Per i sistemi ai quali è destinata la trattazione non è necessario che ogni nodo conosca l’intero stato del sistema, nel caso del consensus sono sufficienti un numero ridotto di comunicazioni • Riferimenti: R. Carli, A. Chiuso, L. Schenato, S. Zampieri - Distributed kalman filtering based on consensus strategies. 2. Decomposizione del modello • Il modello globale del sistema viene decomposto in più modelli ridotti • L’implementazione di filtri locali IKF sui modelli ridotti fornisce le stesse prestazioni del caso centralizzato • Riferimenti: Usman A. Khan, José M. F. Moura - Model Distribution For Distributed Kalman Filters: A Graph Theoretic Approach.

Indice • Filtri di Kalman in forma di informazione • Centralizzato • Locali • con algoritmi di consensus • Filtri distribuiti su modello ridotto • Distribuzione del modello per filtraggio distribuito • Calcolo della matrice di covarianza dell’errore • Fusione dei vettori di informazione • Applicazione alla conduzione del calore • Simulazioni e commento dei risultati

Modello del sistema • Modello del sistema: • Ipotesi: - Rumore di osservazione associato a ciascun sensore è scorrelato da quello dei rimanenti

Filtro di Kalman in forma di informazione • Filtro centralizzato • Filtri locali distribuiti - Predizione: - Aggiornamento:

Filtro di Kalman in forma di informazione • Con algoritmi di consensus - Centralizzato: - Locali:

Filtro di Kalman in forma di informazione • Iterazione di consensus - Inizializzazione - Evoluzione

Grafo del sistema e suddivisione in modelli ridotti • Ogni cerchio rappresenta una componente dello stato x • L’arco (i, j) є E (matrice delle adiacenze), cioè Ej, i = 1 se Aj, i ≠ 0, • I sottosistemi locali, racchiusi negli ovali, comprendono tutti gli stati che un sensore può osservare direttamente o indirettamente

Definizione dei modelli ridotti a partire dal grafo del modello globale • Le matrici dei sistema ridotti, associate a ciascun sensore l, si ricavano direttamente da quelle del sistema globale • d(l) vettore delle componenti dello stato x coinvolte nella dinamica di x (l)

Calcolo della matrice locale di covarianza dell’errore di stima P(l) • Le matrici locali di covarianza dell’errore di stima sui modelli ridotti P(l), sono funzione della matrice di covarianza globale P = Z-1 (Z matrice di informazione supposta L-banded) • E’ possibile esprimere il passo di predizione di P(l) in funzione di sole variabili locali

Derivazione dei filtri locali dal filtro centralizzato in forma di informazione Definizione della simbologia per il filtro centralizzato: Varianza dell’errore di stima e relativa inversa Conversione dallo stato x all’informazione z Vettore e matrice di informazione distribuiti Vettore e matrice di informazione globali • Aggiornamento • Predizione

Derivazione dei filtri locali dal filtro centralizzato in forma di informazione Fusione dei vettori di informazione locali ik(l): • Il metodo prevede che ad ogni nodo, le componenti del vettore d’informazione ik(l) vengano sommate a quelle relative alla medesima componente xj dello stato, provenienti dagli altri sensori che la osservano e riescono a comunicare direttamente. • In modo analogo si determina If(l) fusione delle matrici di informazione I(l) Vettore e matrice di informazione locale: Esempio di fusione dei vettori di informazione

Derivazione dei filtri locali dal filtro centralizzato in forma di informazione Implementazione dei filtri locali di ordine ridotto: • Condizioni iniziali: da x 0 , P 0 si ricavano facilmente x 0(l) , P 0(l). Da queste attraverso il lemma di inversione di matrice con inversa L-banded si trova Z 0(l) e quindi z 0(l) • Aggiornamento: Attraverso l’algoritmo per l’inversione di matrice DICI si calcola Pk|k = Zk|k-1 si passa poi alle variabili in x utilizzando • Predizione: attraverso il lemma di inversione di matrice con inversa L-banded si trova Zk+1|k(l) e quindi zk+1|k(l)

Applicazione: conduzione del calore • Fenomeno descritto tramite equazione differenziale alle derivate parziali (PDE) • Approssimazione secondo il metodo delle differenze finite:

Applicazione: conduzione del calore • La matrice di evoluzione dello stato è di tipo circolante

Ipotesi sulla distribuzione dei sensori Al fine di semplificare l’implementazione del metodo basato sulla distribuzione del modello si sono assunte alcune ipotesi: • Ogni sensore osserva lo stesso numero di componenti dello stato x • Le componenti dello stato osservate da ogni sensore sono pesate a seconda della distanza dal sensore stesso • Ogni componente dello stato è osservata da almeno un sensore ed al massimo da due • Per la comunicazione tra i nodi sensore si è considerato un grafo non orientato con pesi di metropolis

Condizioni iniziali ed evoluzione Ipotesi sulla condizione iniziale e l’evoluzione della temperatura sulla barretta: • La distribuzione di temperatura iniziale è di tipo sinusoidale • La propagazione del calore avviene in evoluzione libera

Confronto tra le diverse implementazioni dei filtri di Kalman distribuiti consensus Nel caso di limitate comunicazioni per intervallo di campionamento: • Il vettore di informazione non converge a quello del caso centralizzato • L’ errore di stima compensato nel passo di aggiornamento è quindi riferito ad un’informazione diversa da quella del caso centralizzato. Questo comporta una sorta di errore a regime nella stima.

Confronto tra le diverse implementazioni dei filtri di Kalman distribuiti consensus La convergenza alle prestazioni del filtro centralizzato richiede un elevato numero di comunicazioni Nell’ esempio in considerazione, in cui lo stato di dimensione n=20 è osservato da N=10 sensori, ciascuno dei quali osserva 3 stati e comunica con i vicini secondo un grafo circolare non orientato, con pesi di metropolis, si è verificato essere necessarie ben 60 iterazioni di consensus per intervallo di campionamento. L’autovalore λ 1, della matrice di consensus Q vale infatti λ 1 = 0, 91.

Confronto tra le diverse implementazioni dei filtri di Kalman distribuiti consensus La convergenza alle prestazioni del filtro centralizzato richiede un elevato numero di comunicazioni La varianza dell’errore di stima è stata valutata per via empirica su 20 esperimenti indipendenti e confrontata con il valore ottimo teorico di Pk|k

Filtri di Kalman distribuiti consensus a limitate comunicazioni Nel caso di limitate comunicazioni per intervallo di campionamento: • Il filtro deve tener conto solo della limitata informazione che riceve rispetto al filtro centralizzato • Ovviamente non si otterranno sin dai primi passi prestazioni paragonabili al caso centralizzato • Seguendo questa logica, il passo di aggiornamento della stima locale si può esprimere come: • Come Ki si può utilizzare la colonna i del guadagno di Kalman ottimo del filtro centralizzato, oppure il guadagno ottimo del filtro che si basa sul solo sensore i. Mentre N non è più l’intero numero dei sensori, ma solo il numero di quelli che comunicano in un passo. Si effettua poi una sola iterazione di consensus ottenendo:

Filtri di Kalman distribuiti consensus a limitate comunicazioni Confronto tra le prestazioni delle diverse implementazioni

Considerazioni sulla stima distribuita basata sulla decomposizione del modello Note riguardo l’implementazione effettivamente utilizzata: • Espressione d’ aggiornamento di x(l) secondo un filtro di Kalman che si basa sulla sola osservazione y(l) • Si noti che ciascun vettore di informazione locale ik(l)=C(l)T R(l) -1 yk(l) è moltiplicato per un differente fattore P~k(l) • Tornando in z appare quindi scorretto effettuare la fusione sui vettori direttamente sui vettori d’informazione ik(l) • Ciò che è stato effettivamente implementato per il passo di aggiornamento è: • Si ricavano quindi le stime xk|k(l)con le quali si effettua poi il consensus con i vicini • Particolare attenzione va posta nella determinazione delle matrici di varianza dell’errore di stima da usare nei passi di predizione ed aggiornamento

Considerazioni sulla stima distribuita basata sulla decomposizione del modello Confronto tra filtro distribuito e filtri locali di ordine ridotto: • Come errore di stima per la varianza campionaria si è usato quello relativo alle sole componenti dello stato viste con maggior peso dai sensori

Conclusioni • Si è verificato come in particolari casi sia possibile applicare tecniche di stima distribuita, per la stima anche solo di una porzione dello stato x, ottenendo a regime prestazioni confrontabili con quelle del filtro centralizzato. • Un approccio basato su filtri distribuiti in forma di informazione che stimano l’intero stato può presentare dei forti limiti, legati in un caso alla necessità di effettuare un elevato numero di comunicazioni, oppure ad una poca prontezza nel seguire la dinamica nel caso si utilizzi un filtro a ridotte comunicazioni. • Con i filtri locali basati sul modello ridotto è invece possibile ottenere una stima accurata sulle variabili locali utilizzando un ridotto numero di comunicazioni. Si può pensare inoltre, se necessario, che ciascun nodo comunichi le proprie stime locali agli altri, così da avere a ciascun nodo a disposizione la stima dell’intero stato x.

Fine presentazione Grazie per l’attenzione