传感器网络上多目标跟踪的去中心化变分推断框架：补充说明
机器学习
2024-11-26 v4 信号处理
摘要
本文针对多传感器多目标跟踪挑战，提出了各种去中心化变分推断 (VI) 方案，使其在仅进行相邻传感器间的局部消息交换的情况下，匹配集中化传感器融合的跟踪性能。我们首先建立一个作为基准的集中化VI传感器融合方案，并分析其去中心化版本的局限性，该版本要求传感器在每个VI迭代中等待共识。因此，我们提出了一种去中心化梯度基VI框架，通过优化局部最大化证据下界 (LM-ELBO) 而非标准ELBO，减少了参数搜索空间，使其能够更快收敛，特别适用于去中心化跟踪。该提议框架本质上是自我演化的，随着去中心化优化技术在收敛保证和效率方面的进步而不断改进。进一步，我们通过自然梯度和梯度跟踪策略来增强所提出去中心化方案的收敛速度。结果验证，我们的去中心化VI方案在跟踪性能上实证等价于集中化融合。值得注意的是，去中心化自然梯度VI方法是最具通信效率的，其通信成本相当于次优去中心化策略，同时实现了显著更高的跟踪精度。
引用
@article{arxiv.2408.13689,
title = {Decentralised Variational Inference Frameworks for Multi-object Tracking on Sensor Networks: Additional Notes},
author = {Qing Li and Runze Gan and Simon Godsill},
journal= {arXiv preprint arXiv:2408.13689},
year = {2024}
}