Computationally Efficient Distributed Multi-sensor Fusion with Multi-Bernoulli Filter
提出了一种计算效率高的传感器网络分布式融合算法，其中多个伯努利（MB）滤波器在每个传感器节点本地运行的多目标跟踪。采用广义协方差交（GCI）融合规则对多个MB随机有限集密度进行融合。融合密度包括随着伯努利分量的数量呈指数增长的一组融合假设。因此，GCI与MB滤波器的融合在涉及跟踪甚至中等数量的对象的实际应用中可能在计算上变得难以处理。为了加速多传感器融合过程，我们推导出一个理论上合理的近似融合密度。结果密度中融合假设的数量明显小于原始融合密度。它还具有可并行化的结构，允许多个Bernoulli分量集群独立融合。通过使用GCI发散度作为距离度量将Bernoulli分量仔细聚类到孤立的簇中，我们提出了一种替代方案来精确地构建近似密度，而无需穷举计算所有融合假设。所提出的近似技术和快速聚类算法的组合，可以使一种新的和快速的GCIMB融合实现。我们的分析表明，所提出的融合方法可以显着减少计算和内存的要求，小有界L1误差。最后给出了该方法的高斯混合实现。在各种数值实验中，包括一个具有挑战性的情况下，多达40个对象，所提出的融合方法的有效性证明。
2019-06-19 cs.SY eess.SY
Distributed Multi-Sensor Fusion Using Generalized Multi-Bernoulli Densities
University of Electronic Science and Technology of China（电子科技大学）；RMIT University, Australia（澳大利亚皇家墨尔本理工大学）
本文提出基于广义多伯努利密度的分布式多目标跟踪方法，通过第二阶近似改进GCI融合，验证了其在多静态雷达系统中的有效性。
2016-03-21 cs.SY eess.SY stat.ME
Multisensor Poisson Multi-Bernoulli Filter for Joint Target-Sensor State Tracking
Chalmers University of Technology（查尔姆斯理工大学）；DENSO Sweden AB（电装瑞典有限公司）
本文提出了一种多传感器低复杂度泊松多伯努利多目标跟踪滤波器，用于联合跟踪不确定的车辆状态和目标状态，通过逐步融合不同传感器的测量数据来提高跟踪性能。
2019-01-14 cs.SY eess.SP eess.SY
Multi-sensor Joint Adaptive Birth Sampler for Labeled Random Finite Set Tracking
本文提出了一种可扩展的，多传感器测量自适应航迹起始技术标记随机有限集滤波器。多传感器测量自适应出生集分布的朴素构造导致传感器数量中的新生组件的指数数量。建立了标记多重Bernoulli随机有限集出生密度的截断准则。所提出的截断准则被证明在广义标记多伯努利后验密度中具有有界L1误差。这个标准是用来构建一个吉布斯采样器，产生一个截断的测量生成的标记的多伯努利出生分布与二次复杂的传感器的数量。假设线性高斯似然的条件采样分布的封闭形式的解决方案，旁边的近似解决方案，使用蒙特卡洛重要性抽样。多个仿真结果验证了截断准则的有效性，以及复杂度的降低。
2022-04-29 cs.SY eess.SP eess.SY
Secure State Estimation of Cyber-Physical Systems via Gaussian Bernoulli Mixture Model
本文提出高斯-伯努利安全（GBS）估计器，将未知攻击模型下的传感器攻击检测转化为状态与观测指示符的最优估计问题，并结合卡尔曼滤波与近端梯度下降实现高效求解，实验表明其在计算效率、检测性能和估计误差上均优于现有方法。
2025-08-23 cs.SY eess.SY
Distributed Fusion with Multi-Bernoulli Filter based on Generalized Covariance Intersection
University of Electronic Science and Technology of China（电子科技大学）；RMIT University（皇家墨尔本理工大学）
本文提出基于广义协方差交叠的多目标跟踪算法，通过多伯努利滤波器实现分布式融合，解决G-CI融合两MB后验分布无准确闭式解的问题，采用近似方法得到广义多伯努利分布并实现融合。
2016-12-05 cs.SY eess.SY
Decentralized Poisson Multi-Bernoulli Filtering for Vehicle Tracking
提出一种去中心化泊松多伯努利滤波器，利用多个高分辨率传感器结合高斯过程扩展模型跟踪多车辆，通过参数化状态表示和融合映射实现高效的去中心化多目标滤波。
2020-03-05 cs.MA cs.SY eess.SY
On-Demand AoI Minimization in Resource-Constrained Cache-Enabled IoT Networks with Energy Harvesting Sensors
我们考虑一个资源受限的物联网网络，其中多个用户向启用缓存的边缘节点发出按需请求，以发送有关各种随机过程的状态更新，每个过程都由能量收集传感器监控。边缘节点通过决定是否命令相应的传感器发送新的状态更新或从缓存中检索最近接收的测量结果来满足用户的请求。我们的目标是找到边缘节点的最佳动作，以最小化在请求时接收到的测量的平均信息年龄（AoI），即，平均按需AoI，服从每时隙传输和能量约束。首先，我们推导出一个马尔可夫决策过程模型，并提出了一个迭代算法，获得最优策略。然后，我们开发了一个渐近最优的低复杂度算法-称为松弛，然后截断-并证明它是最佳的传感器的数量趋于无穷大。仿真结果表明，所提出的松弛，然后截断的方法显着降低了平均按需AoI相比，一个请求感知的贪婪（近视）的政策，也描绘了它执行接近最佳的解决方案，即使是中等数量的传感器。
2022-01-28 cs.IT cs.NI cs.SY
Minimization of Sensor Activation in Discrete-Event Systems with Control Delays and Observation Delays
本文针对网络化离散事件系统中存在控制与观测延迟的传感器激活问题，提出基于通信自动机的新框架，引入延迟可行性定义并开发算法在满足规范条件下最小化传感器激活。
2023-04-06 cs.SY eess.SY
Multi-Sensor Control for Multi-Object Bayes Filters
Changshu Institute of Technology（常熟理工学院）；School of Engineering, RMIT University（皇家墨尔本理工大学工程学院）
本文提出在部分观测马尔可夫决策过程框架下，利用标记多伯努利滤波器和最小化任务驱动控制目标函数，实现多目标多传感器控制，通过坐标下降法进行多维优化，提升多传感器融合效率。
2017-02-20 cs.SY eess.SY
Statistical Information Fusion for Multiple-View Sensor Data in Multi-Object Tracking
Changshu Institute of Technology（常熟理工学院）；RMIT University（皇家墨尔本理工大学）
本文提出了一种新的统计信息融合方法，用于整合多视图传感器数据以提高多目标跟踪性能。方法通过自适应权重改进通用协方差交方法，利用Cauchy-Schwarz散度量化信息内容，并采用Labeled Multi-Bernoulli滤波器实现更精确的跟踪。
2017-02-28 cs.SY eess.SY
A Bernoulli-Gaussian Physical Watermark for Detecting Integrity Attacks in Control Systems
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种结合伯努利丢包和高斯噪声的物理水印，用于提升控制系统完整性攻击检测性能，通过优化参数实现安全与性能的平衡。
2017-10-08 cs.SY eess.SY
UAV Trajectory Planning in Wireless Sensor Networks for Energy Consumption Minimization by Deep Reinforcement Learning
University of Saskatchewan（萨斯喀彻温大学）；Cisco Systems Inc.（思科系统公司）
无人机（UAV）已成为大规模无线传感器网络（WSNs）数据采集的一种有前途的候选解决方案。在本文中，我们研究了一种无人机辅助的无线传感器网络，其中簇头（CH）接收来自其成员节点的数据，并派遣无人机沿规划的轨迹从CH收集数据。我们的目标是最大限度地减少总的能量消耗的无人机无线传感器网络系统在一个完整的一轮数据收集。为此，我们制定的能源消耗最小化问题作为一个约束的组合优化问题，通过共同选择CH从集群内的节点和规划无人机的访问顺序选定的CH。制定的能源消耗最小化问题是NP难的，因此，很难最佳解决。为了应对这一挑战，我们提出了一种新的深度强化学习（DRL）技术，指针网络-A *（Ptr-A*），它可以有效地从经验中学习无人机轨迹策略，以最大限度地减少能源消耗。将无人机的起始点和具有一组预定簇的无线传感器网络送入Ptr-A*，Ptr-A* 输出一组CH和对这些CH的访问顺序，即，无人机的轨迹Ptr-A* 的参数是在小规模聚类问题实例上训练的，以便以无监督的方式使用actor-critic算法进行更快的训练。在推理过程中，提出了三种搜索策略来提高解的质量。仿真结果表明，基于20簇和40簇的训练模型具有较好的泛化能力，能够解决不同簇数的无线传感器网络中无人机的轨迹规划问题，且无需重新训练模型。此外，结果表明，我们提出的DRL算法优于两个基线技术。
2021-08-01 cs.LG cs.SY eess.SY
Low-Complexity AoI-Optimal Status Update Control with Partial Battery State Information in Energy Harvesting IoT Networks
本文研究能量收集物联网中仅知部分电池状态信息下的状态更新控制问题，提出CN策略及WUGC扩展方法，以低复杂度实现近最优的AoI性能。
2025-04-08 cs.IT cs.SY eess.SY
Heterogeneous Multi-sensor Fusion with Random Finite Set Multi-object Densities
研究了基于密度的随机有限集（RFS）型多目标密度（MOD）多传感器协同融合。现有的融合方法使用标量权重来表征局部MOD之间的相对信息置信度，并且以这种方式，每个局部MOD对融合的全局MOD的贡献部分可以通过调整这些权重来调整。我们的分析表明，使用标量系数的融合机制可以被过度简化的实际情况下，由于传感器能力的不完善和监视环境的各种影响，MOD的信息置信度是复杂的，通常是空间变化的。因此，当这些标量权重不能反映实际情况时，可以观察到严重的融合性能下降。我们为解决这一问题作出两项贡献。首先，我们提出了一种新的异构融合方法来执行本地RFS MOD之间的信息平均。通过将每个局部MOD分解为若干个较小的子MOD，将复杂的融合问题转化为一个可并行化的多簇融合问题。其次，由于所提出的融合策略是一个通用的过程，没有任何特定的模型假设，我们进一步推导出详细的异构融合方程，与集中式网络架构，概率假设密度（PHD）过滤器和多伯努利（MB）过滤器。提出的融合算法的高斯混合实现。各种数值实验的目的是证明所提出的融合方法的有效性。
2021-06-15 cs.IT cs.SY eess.SY
Sensor Selection and Optimal Precision in $\mathcal{H}_2/\mathcal{H}_{\infty}$ Estimation Framework: Theory and Algorithms
考虑了连续线性时不变系统的观测器和滤波器设计中的传感器选择问题，使得传感器精度最小，且估计误差满足给定的$\mathcal{H}_2/\mathcal{H}_{\infty}$性能准则.建议的综合框架制定的精度最小化作为一个凸优化问题的线性矩阵不等式，它是使用交替方向的乘法器（ADMM）的基础上的算法来解决。我们还提出了一个贪婪的方法进行传感器选择，并证明了所提出的算法的性能，使用数值模拟。
2021-04-06 cs.SY eess.SY math.OC
Minimal L2-Consistent Data-Transmission
本文针对非并置传感器与执行器系统，提出基于近似因果分解和系统层级综合的方法，在保证L2增益阈值约束下最小化数据传输次数，并给出增益退化误差界。
2024-08-07 cs.SY eess.SY math.OC
Efficient Sensor Management for Multitarget Tracking in Passive Sensor Networks via Cauchy-Schwarz Divergence
针对被动传感器网络中的多目标跟踪问题，提出了一种有效的传感器管理方法。与有源传感器网络相比，无源传感器网络由于其无源感知的特性，具有更大的不确定性。被动传感器网络中的多目标跟踪是一个具有挑战性的问题，因为多传感器多目标融合问题是困难的，传感器管理是必要的，以实现良好的平衡之间的跟踪精度和能量消耗或其他成本。为了解决这个问题，我们提出了一个有效的信息理论的方法来管理传感器更好地跟踪未知和时变数量的目标。这是通过两项主要的技术创新实现的。第一种是通过部分观测的马尔可夫决策过程框架的易处理的基于信息的多传感器选择解决方案。Cauchy-Schwarz发散被用作从候选者中顺序选择信息传感器的标准。第二种是基于迭代校正多传感器广义标记多Bernoulli滤波器的两级融合策略。由于迭代校正方案的性能很大程度上受传感器更新顺序的影响，所选择的传感器首先根据Cauchy-Schwarz散度按其检测目标的能力进行排序，然后进行迭代校正更新。排序的传感器的计算成本是可以忽略不计的，因为柯西-施瓦茨分歧已计算在多传感器选择过程。仿真结果验证了该方法的有效性和效率。
2020-11-03 cs.SY eess.SP eess.SY
Age of Information Minimization using Multi-agent UAVs based on AI-Enhanced Mean Field Resource Allocation
本文提出MF-HPPO方案，结合平均场博弈与LSTM预测，优化无人机轨迹与传感器调度以最小化信息年龄，仿真显示其相比MADQN和随机算法分别降低AoI达45%和57%。
2024-05-02 cs.GT cs.SY eess.SY
Closing the Gap to Quadratic Invariance: a Regret Minimization Approach to Optimal Distributed Control
本文提出一种基于懊悔最小化的最优分布式控制方法，通过减少与理想策略的懊悔来提升系统性能，同时揭示二次不变性在设计信息性基准中的新作用。
2024-03-26 cs.SY eess.SY
Data-driven sensor scheduling for remote estimation in wireless networks
University of Southern California（南加州大学）
传感器调度是信号处理和控制中的一个重要研究课题，具有广泛的应用前景。尽管其成功的历史，大多数相关文献假设的传感器测量，如相关结构或整个联合概率密度函数的基础概率模型的知识。在这里，介绍了一个框架，用于远程估计的传感器调度系统的设计和调度决策是完全基于观测数据。单播和广播网络和相应的接收器被认为是。在这两种情况下，经验风险最小化可以构成为一个差分凸优化问题和局部最优解有效地获得通过应用凹凸过程。我们的结果是独立的数据的概率密度函数，相关结构和传感器的数量。
2019-12-05 cs.LG cs.SY eess.SY
Occlusion-Aware Multi-Object Tracking via Expected Probability of Detection
University of West Bohemia（西波希米亚大学）；Shanghai Jiaotong University（上海交通大学）；Chalmers University of Technology（查尔姆斯理工大学）
本文提出了一种考虑遮挡的多目标跟踪方法，通过预期检测概率模型，系统地处理遮挡带来的不确定性，采用多伯努利混合滤波器进行视觉跟踪验证。
2026-04-08 cs.SY eess.SY
Towards Interaction Regulation from Human Feedback via Free Energy Minimization
Scuola Superiore Meridionale（南方高等学校）；Macquarie University（麦考瑞大学）；University of Salerno（萨勒诺大学）
本文提出一种基于自由能原理的控制框架，通过手势将人类偏好在线整合进智能体策略，并在巡逻车人机交互实验中验证了交互调节的有效性。
2026-09-17 cs.RO cs.SY eess.SY
UAV-to-Device Underlay Communications: Age of Information Minimization by Multi-agent Deep Reinforcement Learning
近年来，无人机（UAV）已经发现了许多传感应用，预计在未来十年内将为世界经济增加数十亿美元。为了进一步提高此类应用中的服务质量（QoS），第三代合作伙伴计划（3GPP）已经考虑采用地面蜂窝网络来支持UAV感测服务，也称为UAV的蜂窝互联网。在本文中，我们考虑了一个蜂窝互联网的无人机，传感器数据可以通过蜂窝链路传输到基站（BS），或移动设备的无人机到设备（U2 D）通信。为了评估数据的新鲜度，采用了信息年龄（AoI），其中较低的AoI意味着较新鲜的数据。由于无人机的AOI是由其在感知和传输过程中的轨迹决定的，因此我们通过设计其轨迹来研究无人机的AOI最小化问题。这个问题是一个具有无限状态-动作空间的马尔可夫决策问题（MDP），因此我们利用多智能体深度强化学习（DRL）来近似状态-动作空间。然后，我们提出了一种多无人机的轨迹设计算法来解决这个问题。仿真结果表明，该算法获得了比贪婪算法和策略梯度算法更低的AoI。
2020-03-12 cs.SY eess.SY
Distributed multi-view multi-target tracking based on CPHD filtering
本文讨论了分布式多目标跟踪（DMTT）的传感器网络具有不同的视野（FoVs）。具体而言，基数概率假设密度（CPHD）过滤器运行在每个传感器节点。由于每个传感器节点具有有限的FoV，通常采用的融合方法变得不可靠。事实上，多个传感器节点的监测区域由若干部分组成，这些部分要么是单个节点独有的，即独有FoV（eFoV），要么是多个（至少两个）节点共有的，即共有FoV（cFoV）。在这种情况下，关键的问题是如何在融合规则中考虑这些不同的信息集。当FoV的知识不可靠时，例如由于障碍物和目标误检测的存在，或者当FoV时变时，该问题特别具有挑战性。针对这些问题，本文提出了一种有效的融合算法，该算法利用聚类算法将灰度函数分解为多个子灰度/组，通过将目标随机有限集（RFS）近似为多伯努利函数来重构相应的基数分布，并将目标随机有限集近似为多伯努利函数来重构相应的基数分布。以及iii）根据广义协方差交叉（GCI）或算术平均（AA）规则并行执行融合。仿真实验证明了该方法的有效性。
2020-06-25 cs.SY eess.SY
