Continuous-Time Decentralized Online Estimation With Additive Noises

Resumen Técnico: Estimación en Línea Descentralizada en Tiempo Continuo con Ruidos Aditivos

Formulación del Problema
Este artículo aborda el problema de la estimación en línea descentralizada para un vector de parámetros desconocido $\theta$ dentro de un sistema multiagente que opera sobre un grafo dirigido fijo (digraph). A diferencia de trabajos previos que a menudo asumen comunicaciones ideales o matrices de medición deterministas, este estudio considera un escenario realista donde coexisten dos fuentes distintas de incertidumbre:

1. Matrices de Medición Aleatorias: Cada nodo $i$ obtiene una medición lineal $dz_i(t) = H_i(t)\theta dt + \text{ruido}$, donde las matrices de medición $H_i(t)$ son aleatorias y variantes en el tiempo. En un caso específico, estas matrices se modelan como contenedoras de cadenas de Markov.
2. Ruidos de Comunicación Aditivos: Cuando los agentes intercambian estimaciones de estado con sus vecinos para alcanzar el consenso, los canales de comunicación están sujetos a ruido blanco aditivo (modelado como movimientos brownianos). La intensidad de este ruido es independiente de los estados de los agentes.

El objetivo es diseñar un algoritmo de estimación cooperativa descentralizada en tiempo continuo donde cada nodo actualice su estimación utilizando un término de innovación local (procesamiento de nuevas mediciones) y un término de consenso (suma ponderada de las estimaciones de los vecinos), asegurando que el error de estimación converja a cero en el sentido del promedio cuadrático.

Metodología
Los autores transforman el análisis de convergencia del algoritmo de estimación propuesto en el análisis de estabilidad de una ecuación diferencial estocástica (SDE) lineal no autónoma con coeficientes aleatorios variantes en el tiempo y ruido aditivo. Los pasos metodológicos centrales incluyen:

• Construcción del Algoritmo: Se formula un algoritmo de estimación en línea cooperativa descentralizada en tiempo continuo. Se derivan las dinámicas del error, resultando en una SDE de la forma $dx(t) = A(t)x(t)dt + D(t)dw(t)$, donde $A(t)$ representa el coeficiente de deriva (dependiente de las matrices de medición y la topología del grafo) y $D(t)$ representa el coeficiente de difusión (dependiente de la intensidad del ruido y las ganancias).
• Enfoque de Aproximación Numérica: Dado que las soluciones analíticas para las SDE con coeficientes aleatorios variantes en el tiempo son generalmente no disponibles, los autores emplean un método de aproximación numérica. Construyen:
  • Una Solución Aproximada Numérica de Tiempo Discreto $\Delta$-NTDT (DTNAS por sus siglas en inglés).
  • Una Solución Aproximada Numérica de Tiempo Continuo $\Delta$-NTCT (CTNAS por sus siglas en inglés).
• Análisis de Estabilidad: El estudio establece la estabilidad asintótica de la solución trivial para estas SDE. Los autores demuestran que la estabilidad asintótica en el sentido del promedio cuadrático de la solución real es equivalente a la de las soluciones aproximadas numéricas bajo condiciones específicas. Esto implica derivar condiciones suficientes para la estabilidad de la DTNAS y la CTNAS, y luego acotar la diferencia entre la solución real y la CTNAS.
• Persistencia de la Excitación: Una herramienta analítica clave es el desarrollo de una condición de "persistencia de la excitación espacio-temporal estocástica". Esta condición requiere que la esperanza condicional de la integral del coeficiente de deriva sobre un intervalo de longitud fija tenga una medida de matriz inducida que esté acotada superiormente por una secuencia cuya suma diverge a menos infinito.

Contribuciones Clave

1. Manejo de Incertidumbres Coexistentes: El artículo aborda la presencia simultánea de matrices de medición aleatorias y ruidos de comunicación aditivos, un escenario donde los métodos de función de Lyapunov existentes y las aproximaciones numéricas estándar para las SDE con coeficientes deterministas son insuficientes.
2. Estabilidad de SDEs Aleatorias Variantes en el Tiempo: Los autores desarrollan un marco teórico para la estabilidad asintótica en el sentido del promedio cuadrático de las SDE no autónomas con coeficientes aleatorios variantes en el tiempo. Demuestran que si los coeficientes de deriva y difusión están acotados por funciones integrables al cuadrado y satisfacen condiciones específicas de decaimiento y excitación, la solución es asintóticamente estable en el sentido del promedio cuadrático.
3. Diseño de Ganancia del Algoritmo: Basándose en los resultados de estabilidad, el artículo proporciona condiciones para diseñar las ganancias del algoritmo ($\alpha(t)$ y $\beta(t)$). Específicamente, si las matrices de medición y el grafo de comunicación satisfacen la condición de persistencia de la excitación espacio-temporal estocástica, las ganancias pueden diseñarse (típicamente decayendo como $O((t+1)^{-1/2-\epsilon})$) para garantizar la convergencia en el promedio cuadrático.
4. Caso de Conmutación de Markov: El estudio investiga un caso especial donde las matrices de medición contienen cadenas de Markov con ergodicidad exponencial fuerte de orden 1. Se demuestra que, bajo estas condiciones, el algoritmo converge en el promedio cuadrático.

Resultos

• Pruebas Teóricas: El artículo demuestra que bajo el Supuesto 1 (acotación e independencia de los coeficientes) y la Condición 1 (persistencia de la excitación estocástica y tasas de decaimiento), la solución de la SDE de error es asintóticamente estable en el sentido del promedio cuadrático.
• Tasas de Convergencia: El análisis proporciona cotas explícitas sobre el error cuadrático medio, mostrando que la convergencia se logra si el coeficiente de deriva decae a una tasa de $O((t+1)^{-1/2-\epsilon_1})$ y el coeficiente de difusión decae a $O((t+1)^{-1/2-\epsilon_2})$, con $\epsilon_1, \epsilon_2 > 0$.
• Ejemplo Numérico: Se presenta una simulación que involucra 10 nodos en un digraph fijo balanceado. El parámetro desconocido es un vector de 3 dimensiones. Las matrices de medición se modelan utilizando cadenas de Markov independientes. Los resultados demuestran que:
  • El algoritmo converge al parámetro real.
  • Una mayor intensidad de ruido conduce a tasas de convergencia más lentas de los errores cuadráticos medios.
  • Ganancias de algoritmo más grandes (dentro del rango de decaimiento estable) conducen a tasas de convergencia más rápidas.

Significancia y Reivindicaciones
El artículo afirma avanzar en el campo de la estimación descentralizada al proporcionar un análisis de estabilidad riguroso para algoritmos en tiempo continuo que operan bajo condiciones realistas y no ideales (mediciones aleatorias y comunicaciones con ruido). Al transformar el problema de estimación en el análisis de estabilidad de SDE con coeficientes aleatorios variantes en el tiempo, los autores cierran una brecha en la literatura donde tales ecuaciones eran previamente difíciles de analizar directamente.

La significancia radica en la demostración de que la convergencia en el promedio cuadrático puede garantizarse incluso cuando las matrices de medición son aleatorias y las expectativas son desconocidas, siempre que se cumpla una condición de persistencia de la excitación estocástica. Los autores señalan modestamente que, aunque este trabajo se centra en ruidos aditivos y algoritmos basados en modelos, el trabajo futuro podría explorar ruidos multiplicativos, seguimiento de señales variantes en el tiempo y enfoques de libre de modelo basados en datos.