Cortes, J. , et al. “Coverage control for mobile sensing networks.” (2002).
A. Locational Optimization
R + {{\mathbb{R}}^{+}} R + 非負實數,N \mathbb{N} N 正自然數,N 0 {{\mathbb{N}}_{0}} N 0 正自然數+0,Q Q Q 在R N {{\mathbb{R}}^{N}} R N 的多邊形,ϕ : Q → R + \phi :Q\to {{\mathbb{R}}_{+}} ϕ : Q → R + 分佈式密度函數,it represents a measure of information or probability that some event takes place over Q Q Q 。即,Q Q Q 是函數ϕ \phi ϕ 的邊界函數P = ( p 1 , ⋯ , p n ) P=({{p}_{1}},\cdots ,{{p}_{n}}) P = ( p 1 , ⋯ , p n ) 是n個傳感器的位置,每個傳感器都在空間Q中運動。由於噪聲和分辨率的損失,從第i -th i\text{-th} i -th 個傳感器在位置p i {{p}_{i}} p i 獲得的q q q 點的感測性能會隨着距離∥ q − p i ∥ \left\| q-{{p}_{i}} \right\| ∥ q − p i ∥ 的增加而降低。我們用不可減少的微分函數來描述這種退化f : R + → R + f:{{\mathbb{R}}_{+}}\to {{\mathbb{R}}_{+}} f : R + → R + 。因此f ( ∥ q − p i ∥ ) f(\left\| q-{{p}_{i}} \right\|) f ( ∥ q − p i ∥ ) 展示了傳感器性能質量評估函數,如圖1所示。
圖1 高斯密度函數的多邊形環境上的等高線圖
Remark 2.1:
例如,考慮n n n 個配備了麥克風的移動機器人,這些麥克風試圖檢測、識別和定位聲源。 爲了最大程度地提高檢測概率,我們應該如何計劃機器人的運動?假設信號源發出已知信號,則最佳檢測算法是匹配濾波器(i.e.,將已知波形與接收信號和閾值進行卷積)。根據信噪比(signal-to-noise-ratio, SNR)來檢測源,該信噪比與麥克風和聲源之間的距離成反比。 各種電磁和聲音傳感器的SNR與距離成反比。
在本文的上下文中,Q Q Q 的一個分區是內部不相交的n n n 個多面體W = { W 1 , ⋯ , W n } W=\{{{W}_{1}},\cdots ,{{W}_{n}}\} W = { W 1 , ⋯ , W n } 的集合,其並集爲Q Q Q 。如果W i {{W}_{i}} W i 和W ′ i {{{W}'}_{i}} W ′ i 僅通過一組ϕ − m e a s u r e \phi -measure ϕ − m e a s u r e zero度量而不同,則我們說兩個分區W W W 和W ′ {W}' W ′ 相等,其中i ∈ { 1 , ⋯ , n } i\in \{1,\cdots ,n\} i ∈ { 1 , ⋯ , n } 。
我們考慮了最小化位置優化函數:
H ( P , W ) = ∑ i = 1 n ∫ W i f ( ∥ q − p i ∥ ) ϕ ( q ) d q (1) \Eta \text{(}P,W)=\sum\limits_{i=1}^{n}{\int_{{{W}_{i}}}{f(\left\| q-{{p}_{i}} \right\|}})\phi (q)dq \tag{1} H ( P , W ) = i = 1 ∑ n ∫ W i f ( ∥ q − p i ∥ ) ϕ ( q ) d q ( 1 )
在這裏,我們假設傳感器i i i 負責其“主導區域”W i {{W}_{i}} W i 內的測量。函數$\Eta 將 會 從 兩 個 方 面 進 行 最 小 化 : 1 ) 傳 感 器 位 置 將會從兩個方面進行最小化:1)傳感器位置 將 會 從 兩 個 方 面 進 行 最 小 化 : 1 ) 傳 感 器 位 置 P$ ,2)“主導區域”W W W 。因此,優化主要關於傳感器的位置和空間的劃分進行優化。這個問題被稱爲設施位置問題(facility location problem),特別是作爲一個連續中位數問題在[6]中。
Remark 2.2:
請注意,如果我們交換任何兩個代理的位置及其相關的主導區域,則位置優化函數H的值不會受到影響。相當於,如果∑ n \sum\nolimits_{n}{{}} ∑ n 表示離散集羣中n個元素,則對於σ ∈ ∑ n \sigma \in \sum\nolimits_{n}{{}} σ ∈ ∑ n 而言,H ( p 1 , … p n , W 1 , … W n ) = H ( p σ ( 1 ) , … p σ ( n ) , W σ ( 1 ) , … W σ ( n ) ) \Eta ({{p}_{1}},\ldots {{p}_{n}},{{W}_{1}},\ldots {{W}_{n}})=\Eta ({{p}_{\sigma (1)}},\ldots {{p}_{\sigma (n)}},{{W}_{\sigma (1)}},\ldots {{W}_{\sigma (n)}}) H ( p 1 , … p n , W 1 , … W n ) = H ( p σ ( 1 ) , … p σ ( n ) , W σ ( 1 ) , … W σ ( n ) ) 。爲了消除這種離散的冗餘,可以對Q n {{Q}^{n}} Q n 採取(natural action of)∑ n \sum\nolimits_{n}{{}} ∑ n 的自然作用,並將Q n / ∑ n {{Q}^{n}}/\sum\nolimits_{n}{{}} Q n / ∑ n 作爲n個車輛的位置P的配置空間。
B. 泰森多邊形法分區(Voronoi Partitions)
很容易看出,在固定的傳感器位置,Q的最優的分區是Voronoi分區V ( P ) = { V 1 , … , V n } V(P)=\{{{V}_{1}},\ldots ,{{V}_{n}}\} V ( P ) = { V 1 , … , V n } ,其由{ p 1 , … , p n } \{{{p}_{1}},\ldots ,{{p}_{n}}\} { p 1 , … , p n } 生成。
V i = { q ∈ Q ∥ q − p i ∥ ≤ ∥ q − p j ∥ , ∀ j ≠ i } {{V}_{i}}=\{\begin{matrix}
q\in Q & \left\| q-{{p}_{i}} \right\|\le \\
\end{matrix}\left\| q-{{p}_{j}} \right\|,\forall j\ne i\} V i = { q ∈ Q ∥ q − p i ∥ ≤ ∥ q − p j ∥ , ∀ j = i }
我們參考了[9]對Voronoi圖的全面處理,並簡要介紹了一些相關概念。該區域集{ V 1 , … , V n } \{{{V}_{1}},\ldots ,{{V}_{n}}\} { V 1 , … , V n } 稱爲{ p 1 , … , p n } \{{{p}_{1}},\ldots ,{{p}_{n}}\} { p 1 , … , p n } 生成器的Voronoi圖。當兩個Voronoi區域V i {{V}_{i}} V i 和V j {{V}_{j}} V j 相鄰(i.e.,他們共用一條邊),p i {{p}_{i}} p i 被稱爲p j {{p}_{j}} p j (Voronoi)的鄰居(反之亦然)。p i {{p}_{i}} p i 的Voronoi鄰居的索引集用N ( i ) N(i) N ( i ) 表示。顯然j ∈ N ( i ) j\in N(i) j ∈ N ( i ) ,當且僅當i ∈ N ( j ) i\in N(j) i ∈ N ( j ) 。我們還定義( i , j ) (i,j) ( i , j ) face asΔ i j = V i ⋂ V j \Delta ij={{V}_{i}}\bigcap {{V}_{j}} Δ i j = V i ⋂ V j 。Voronoi圖可以根據不同的距離函數來定義,例如,1-,2-,s − s- s − ,和∞ − n o r m \infty -norm ∞ − n o r m 通過Q = R m Q={{\mathbb{R}}^{m}} Q = R m ,參照[36]。有關Euclidean設置的一些有用設置如下:如果Q是N維歐幾里德空間中的凸多邊形,則每個邊界都是(N-1)維空間中的凸多邊形。
H V ( P ) = H V ( P , V ( P ) ) {{\Eta }_{V}}(P)={{\Eta }_{V}}(P,V(P)) H V ( P ) = H V ( P , V ( P ) )
請注意, Voronoi分區的定義爲min i ∈ { 1 , … , n } f ( ∥ q − p i ∥ ) = f ( ∥ q − p j ∥ ) {{\min }_{i\in \{1,\ldots ,n\}}}f(\left\| q-{{p}_{i}} \right\|)=f(\left\| q-{{p}_{j}} \right\|) min i ∈ { 1 , … , n } f ( ∥ q − p i ∥ ) = f ( ∥ q − p j ∥ ) 。因此,
也就是說,位置優化函數可以解釋爲由“最小”運算組成的期望值。這是在設施位置和運轉研究文獻中提出問題的常用方法[6]。 值得注意的是,可以證明[10]
i.e.,H V {{\Eta }_{V}} H V 關於i -th i\text{-th} i -th 傳感器的偏導數僅取決於其自身的位置及其Voronoi鄰居的位置。 因此,就Voronoi而言,關於傳感器位置的H V {{\Eta }_{V}} H V 導數的計算是分散的。而且,可以推斷出H V {{\Eta }_{V}} H V 的一些平滑特性:因爲Voronoi分區V至少連續依賴於P = { p 1 , … , p n } P=\{{{p}_{1}},\ldots ,{{p}_{n}}\} P = { p 1 , … , p n } ,對於所有的p i ≠ p j {{p}_{i}}\ne {{p}_{j}} p i = p j ,對部分i , j ∈ { 1 , … , n } , i ≠ j i,j\in \left\{ 1,\ldots ,n \right\},i\ne j i , j ∈ { 1 , … , n } , i = j 而言函數H V {{\Eta }_{V}} H V 在Q n \ { P ∈ Q n ∣ p i = p j } {{Q}^{n}}\backslash \left\{ P\in {{Q}^{n}}|{{p}_{i}}={{p}_{j}} \right\} Q n \ { P ∈ Q n ∣ p i = p j } 上至少是連續可微的。
C. Centroidal Voronoi Partitions
讓我們回憶一些與V ⊂ R N V\subset {{\mathbb{R}}^{N}} V ⊂ R N 相關的基本量和質量密度函數ρ \rho ρ 。廣義質量、質心和極轉動慣量定義爲
質量:M V = ∫ V ρ ( q ) d q {{M}_{V}}\text{=}\int_{V}{\rho (q)dq} M V = ∫ V ρ ( q ) d q
質心:C V = 1 M V ∫ V q ρ ( q ) d q {{C}_{V}}\text{=}\frac{1}{{{M}_{V}}}\int_{V}{q\rho (q)dq} C V = M V 1 ∫ V q ρ ( q ) d q
極轉動慣量:J V , p = 1 M V ∫ V ∥ q − p ∥ 2 ρ ( q ) d q {{J}_{V,p}}\text{=}\frac{1}{{{M}_{V}}}\int_{V}{{{\left\| q-p \right\|}^{2}}\rho (q)dq} J V , p = M V 1 ∫ V ∥ q − p ∥ 2 ρ ( q ) d q
另外,根據平行軸定理,可以寫爲:
J V , p = J V , C V + M V ∥ p − C V ∥ 2 (4) {{J}_{V,p}}={{J}_{V,{{C}_{V}}}}+{{M}_{V}}{{\left\| p-{{C}_{V}} \right\|}^{2}} \tag{4} J V , p = J V , C V + M V ∥ p − C V ∥ 2 ( 4 )
其中J V , C V ∈ R + {{J}_{V,{{C}_{V}}}}\in {{\mathbb{R}}_{+}} J V , C V ∈ R + 是區域V V V 的極轉動慣量,它的中心爲C V {{C}_{V}} C V 。
3. CONTINUOUS AND DISCRETE-TIME LLOYD DESCENT FOR COVERAGE CONTROL