大规模交通估计中Kalman滤波器的扩展
材料科学
2016-08-03 v1
摘要
本工作提出了一种用于多智能体交通估计的可扩展滤波算法。大规模网络在空间上被划分为重叠的道路段。每个段的交通动力学由基于守恒原理的切换模态模型(SMM)给出，每个段的交通状态由局部智能体估计。在所提出的滤波器中，应用共识项以促进重叠段上智能体之间的一致性。新的滤波器称为分布式局部Kalman共识滤波器(DLKCF)，当所有段在可观测模态间切换时，被证明保持全局渐近稳定(GAS)的均值误差动力学。当某段不可观测时，我们证明该段中每个状态变量的均值估计最终有界，这是通过探索交通模型特性与滤波器测量反馈之间的相互作用实现的。基于上述结果，建立了DLKCF在可观测和不可观测模态切换序列下均值估计误差的有界性，以解决滤波器的整体性能。数值实验表明DLKCF能够促进一致性，相比局部滤波器提高估计精度，相比集中式方法降低计算负载。
引用
@article{arxiv.1608.00916,
title = {Threading Through Macrocycles Enhances the Performance of Carbon Nanotubes as Polymer Fillers},
author = {A. López-Moreno and B. Nieto-Ortega and M. Moffa and A. de Juan and M. Mar Bernal and J. P. Fernández-Blázquez and J. J. Vilatela and D. Pisignano and E. M. Pérez},
journal= {arXiv preprint arXiv:1608.00916},
year = {2016}
}
备注
39 pages, 19 figures