Cortes, J. , et al. “Coverage control for mobile sensing networks.” (2002).
A. Locational Optimization
R + {{\mathbb{R}}^{+}} R + 非负实数,N \mathbb{N} N 正自然数,N 0 {{\mathbb{N}}_{0}} N 0 正自然数+0,Q Q Q 在R N {{\mathbb{R}}^{N}} R N 的多边形,ϕ : Q → R + \phi :Q\to {{\mathbb{R}}_{+}} ϕ : Q → R + 分布式密度函数,it represents a measure of information or probability that some event takes place over Q Q Q 。即,Q Q Q 是函数ϕ \phi ϕ 的边界函数P = ( p 1 , ⋯ , p n ) P=({{p}_{1}},\cdots ,{{p}_{n}}) P = ( p 1 , ⋯ , p n ) 是n个传感器的位置,每个传感器都在空间Q中运动。由于噪声和分辨率的损失,从第i -th i\text{-th} i -th 个传感器在位置p i {{p}_{i}} p i 获得的q q q 点的感测性能会随着距离∥ q − p i ∥ \left\| q-{{p}_{i}} \right\| ∥ q − p i ∥ 的增加而降低。我们用不可减少的微分函数来描述这种退化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 ∥ ) 展示了传感器性能质量评估函数,如图1所示。
图1 高斯密度函数的多边形环境上的等高线图
Remark 2.1:
例如,考虑n n n 个配备了麦克风的移动机器人,这些麦克风试图检测、识别和定位声源。 为了最大程度地提高检测概率,我们应该如何计划机器人的运动?假设信号源发出已知信号,则最佳检测算法是匹配滤波器(i.e.,将已知波形与接收信号和阈值进行卷积)。根据信噪比(signal-to-noise-ratio, SNR)来检测源,该信噪比与麦克风和声源之间的距离成反比。 各种电磁和声音传感器的SNR与距离成反比。
在本文的上下文中,Q Q Q 的一个分区是内部不相交的n n n 个多面体W = { W 1 , ⋯ , W n } W=\{{{W}_{1}},\cdots ,{{W}_{n}}\} W = { W 1 , ⋯ , W n } 的集合,其并集为Q Q Q 。如果W i {{W}_{i}} W i 和W ′ i {{{W}'}_{i}} W ′ i 仅通过一组ϕ − m e a s u r e \phi -measure ϕ − m e a s u r e zero度量而不同,则我们说两个分区W W W 和W ′ {W}' W ′ 相等,其中i ∈ { 1 , ⋯ , n } i\in \{1,\cdots ,n\} i ∈ { 1 , ⋯ , n } 。
我们考虑了最小化位置优化函数:
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 )
在这里,我们假设传感器i i i 负责其“主导区域”W i {{W}_{i}} W i 内的测量。函数$\Eta 将 会 从 两 个 方 面 进 行 最 小 化 : 1 ) 传 感 器 位 置 将会从两个方面进行最小化:1)传感器位置 将 会 从 两 个 方 面 进 行 最 小 化 : 1 ) 传 感 器 位 置 P$ ,2)“主导区域”W W W 。因此,优化主要关于传感器的位置和空间的划分进行优化。这个问题被称为设施位置问题(facility location problem),特别是作为一个连续中位数问题在[6]中。
Remark 2.2:
请注意,如果我们交换任何两个代理的位置及其相关的主导区域,则位置优化函数H的值不会受到影响。相当于,如果∑ n \sum\nolimits_{n}{{}} ∑ n 表示离散集群中n个元素,则对于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 ) ) 。为了消除这种离散的冗余,可以对Q n {{Q}^{n}} Q n 采取(natural action of)∑ n \sum\nolimits_{n}{{}} ∑ n 的自然作用,并将Q n / ∑ n {{Q}^{n}}/\sum\nolimits_{n}{{}} Q n / ∑ n 作为n个车辆的位置P的配置空间。
B. 泰森多边形法分区(Voronoi Partitions)
很容易看出,在固定的传感器位置,Q的最优的分区是Voronoi分区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 }
我们参考了[9]对Voronoi图的全面处理,并简要介绍了一些相关概念。该区域集{ V 1 , … , V n } \{{{V}_{1}},\ldots ,{{V}_{n}}\} { V 1 , … , V n } 称为{ p 1 , … , p n } \{{{p}_{1}},\ldots ,{{p}_{n}}\} { p 1 , … , p n } 生成器的Voronoi图。当两个Voronoi区域V i {{V}_{i}} V i 和V j {{V}_{j}} V j 相邻(i.e.,他们共用一条边),p i {{p}_{i}} p i 被称为p j {{p}_{j}} p j (Voronoi)的邻居(反之亦然)。p i {{p}_{i}} p i 的Voronoi邻居的索引集用N ( i ) N(i) N ( i ) 表示。显然j ∈ N ( i ) j\in N(i) j ∈ N ( i ) ,当且仅当i ∈ N ( j ) i\in N(j) i ∈ N ( j ) 。我们还定义( 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图可以根据不同的距离函数来定义,例如,1-,2-,s − s- s − ,和∞ − n o r m \infty -norm ∞ − n o r m 通过Q = R m Q={{\mathbb{R}}^{m}} Q = R m ,参照[36]。有关Euclidean设置的一些有用设置如下:如果Q是N维欧几里德空间中的凸多边形,则每个边界都是(N-1)维空间中的凸多边形。
H V ( P ) = H V ( P , V ( P ) ) {{\Eta }_{V}}(P)={{\Eta }_{V}}(P,V(P)) H V ( P ) = H V ( P , V ( P ) )
请注意, Voronoi分区的定义为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,
也就是说,位置优化函数可以解释为由“最小”运算组成的期望值。这是在设施位置和运转研究文献中提出问题的常用方法[6]。 值得注意的是,可以证明[10]
i.e.,H V {{\Eta }_{V}} H V 关于i -th i\text{-th} i -th 传感器的偏导数仅取决于其自身的位置及其Voronoi邻居的位置。 因此,就Voronoi而言,关于传感器位置的H V {{\Eta }_{V}} H V 导数的计算是分散的。而且,可以推断出H V {{\Eta }_{V}} H V 的一些平滑特性:因为Voronoi分区V至少连续依赖于P = { p 1 , … , p n } P=\{{{p}_{1}},\ldots ,{{p}_{n}}\} P = { p 1 , … , p n } ,对于所有的p i ≠ p j {{p}_{i}}\ne {{p}_{j}} p i = p j ,对部分i , j ∈ { 1 , … , n } , i ≠ j i,j\in \left\{ 1,\ldots ,n \right\},i\ne j i , j ∈ { 1 , … , n } , i = j 而言函数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 } 上至少是连续可微的。
C. Centroidal Voronoi Partitions
让我们回忆一些与V ⊂ R N V\subset {{\mathbb{R}}^{N}} V ⊂ R N 相关的基本量和质量密度函数ρ \rho ρ 。广义质量、质心和极转动惯量定义为
质量:M V = ∫ V ρ ( q ) d q {{M}_{V}}\text{=}\int_{V}{\rho (q)dq} M V = ∫ V ρ ( q ) d q
质心: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
极转动惯量: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,根据平行轴定理,可以写为:
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 + 是区域V V V 的极转动惯量,它的中心为C V {{C}_{V}} C V 。
3. CONTINUOUS AND DISCRETE-TIME LLOYD DESCENT FOR COVERAGE CONTROL