Estimadores de estado distribuídos com aplicações ao controle flocking

Abstract

Neste trabalho é apresentado um estudo sobre estratégias distribuídas de estimação de estado aplicadas em problemas envolvendo redes multiagente de sensores (ou nós). Nesse tipo de problema a rede de nós é utilizada para cooperativamente estimar o estado de um sistema dinâmico. Diferentemente da abordagem clássica onde as medidas de todos os nós são agregadas em um único ponto para solução do problema de estimação, em uma estratégia distribuída os nós compartilham dados com os demais nós no seu entorno e após esse compartilhamento de informação uma estimativa para o estado do sistema é determinada localmente em cada um deles. Sem a necessidade de todos os nós enviarem dados para uma central de processamento, através de uma estratégia distribuída existe uma redução significativa na demanda por energia de comunicação na rede, além de tornar o sistema mais robusto a falhas, tendo em vista que não existe um único ponto responsável pela estimativa. Um dos principais algoritmos de estimação distribuídos abordados na literatura é o Filtro de Kalman Difuso (DKF), uma adaptação multiagente do Filtro de Kalman clássico, que no trabalho desenvolvido foi explorado em conjunto com a lei de controle flocking. Essa lei de controle visa conduzir uma rede móvel de nós a um comportamento coletivo formando arranjos espaciais e em geral é assumido na literatura que os nós possuem acesso ao estado de um sistema de referência que guia o movimento da rede. Foi então considerado o caso onde os nós somente possuem acesso a medidas corrompidas por ruído relacionas ao estado do sistema de referência e para aplicar a lei de controle flocking foi proposta a inclusão do DKF em cascata com o algoritmo de controle, permitindo assim estimar a trajetória do sistema de referência. A partir de estudos de caso em ambiente de simulação foram obtidos resultados que indicam que o DKF supera o desempenho de outros algoritmos de estimação distribuída já aplicados para esse problema, atingindo o desempenho próximo do ótimo - que é obtido através de uma estratégia centralizada.

In the present work, a study about the application of distributed state estimation strategies for problems involving multiagent sensor networks was carried. In such problems, sensors (which are equiavelently called nodes) are used to cooperatively estimate the state of a dynamic system. Differently from the classical approach, where the measurements of all nodes are aggregated in a fusion center to solve the estimation problem, in a distributed strategy the nodes share information with the nodes in their surroundings, and after this an estimative for the system state is determined locally at each one of them. Since there is not the requirement for all nodes send data to the fusion center, in a distributed strategy generally there is a significant decrease on the network’s communication energy. Additionally, with this approach the system naturally is more robust to failures, given that there is not an only point responsible for the estimation process. One of the main distributed estimation algorithms is the Diffuse Kalman Filter (DKF), a multiagent adaptation of the classical Kalman Filter and in our study the DKF was explored with the flocking formation control law. This control law aims to lead a mobile network to a collective behavior forming special arranges, and in general it is assumed that nodes have access to the state of a reference system which guides network movement. So, was considered a case where nodes can only have access to noisy measurements that are related to the reference system state, and to apply the control law was proposed the inclusion of DKF in cascading to the flocking control algorithm to track the reference system state. From simulation case studies, the obtained results showed that DKF outperforms other distributed estimation algorithms applied before to this problem and reaches a performance close to optimal - which is obtained through a centralized strategy.