基于状态分解的隐私保护动态平均一致性：多机器人编队控制案例研究
系统与控制
2020-09-15 v2 系统与控制
摘要
动态平均一致性是一种分散式控制/估计框架，其中一组智能体协作跟踪局部时变参考信号的平均值。在本文中，我们提出了一种新颖的基于状态分解的隐私保护方案，以在智能体与邻域智能体共享信息时保护其隐私。具体而言，我们首先表明外部窃听者可以在常规动态平均一致性算法中成功窃听所有智能体的参考信号。为保护隐私免受窃听者攻击，我们开发了一种状态分解方案，其中每个智能体的原始状态被分解为两个子状态：一个在节点间交互中继承原始状态的作用，而另一个子状态仅与第一个子状态通信且对其他邻域智能体不可见。我们进行了严格分析以表明：1）所提隐私方案保持了平均一致性的收敛性；2）智能体的隐私受到保护，使得窃听者无法以任何保证的精度发现私有参考信号。然后将所开发的隐私保护动态平均一致性框架应用于多个非完整移动机器人的编队控制，证明了该方案的有效性。提供了数值仿真以说明所提方法的有效性。
引用
@article{arxiv.2008.03182,
title = {Privacy-Preserving Dynamic Average Consensus via State Decomposition: Case Study on Multi-Robot Formation Control},
author = {Kaixiang Zhang and Zhaojian Li and Yongqiang Wang and Ali Louati and Jian Chen},
journal= {arXiv preprint arXiv:2008.03182},
year = {2020}
}