⚡ electrical engineering

Optimal Sensor Scheduling and Selection for Continuous-Discrete Kalman Filtering with Auxiliary Dynamics

本文通过推导后验协方差矩阵的可微上界，提出了一种基于梯度的最优控制框架，用于在连续-离散卡尔曼滤波中联合优化传感器测量率与辅助动力学，以平衡估计精度与资源约束。

原作者： Mohamad Al Ahdab, John Leth, Zheng-Hua Tan

发布于 2026-07-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohamad Al Ahdab, John Leth, Zheng-Hua Tan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在脑海中建立一个关于移动物体的完美地图，比如一架在风暴中飞行的无人机。你无法时刻看到它，只能通过传感器捕捉到零星的瞬间。这就是**状态空间模型（State-Space Models）**的世界——一种基于嘈杂、不完整的线索来推测物体位置的数学方法。**卡尔曼滤波（Kalman Filter）**则是完成这场猜谜游戏的明星算法。它就像一位超级聪明的侦探，每当有新的证据出现时，都会不断更新自己关于“嫌疑人位置”的理论。

但这里有一个转折：在现实世界中，使用传感器并非免费的。检查传感器可能会耗尽电池、导致设备过热，或者如果处于危险区域，甚至会损坏传感器本身。此外，传感器自身的位置或温度可能会改变其数据的质量。这创造了一个棘手的谜题：何时应该开启传感器，以及频率如何，才能在不耗尽电量或损坏设备的前提下，获得对现实的最佳认知？本文针对的是那些运动平滑（如无人机）但在特定、不规则时刻才进行检测的系统，解决了这一难题。

侦探的困境：何时观察？

作者 Mohamad Al Ahdab、John Leth 和 Zheng-Hua Tan 正在处理机器人和信号处理领域中一个非常具体的头痛问题。想象一下，你有一个配备了两种“眼睛”的机器人：一只眼睛是高清晰度摄像头，视野清晰但极其耗电，且在机器人过热时会变得模糊；另一只眼睛是雷达，虽然能在黑暗中工作，但数据有些模糊，且消耗能量的方式不同。

机器人需要追踪一个移动目标（如污染物云或化学泄漏），同时还要管理自身的“辅助”状态——例如电池电量、温度，甚至是它积累了多少辐射损伤。问题在于，机器人不能全天候睁着两只眼睛盯着目标看。它需要一个计划。它需要决定：“我现在应该使用高清摄像头吗？我应该等待吗？我是否应该移动到一个更凉爽的地方以保护我的传感器？”

论文的核心思想：用于调度的“最佳猜测”地图

该论文提出了一种巧妙的方法来解决这个调度谜题。作者并没有采用随机猜测或仅仅根据当前瞬间看起来最好的传感器（即“贪婪”方法），而是创建了一个具有前瞻性的数学框架。

他们将测量值的到达（即对目标的“瞥视”）视为一个泊松过程（Poisson process）。把这想象成雨滴落在屋顶上。你无法预测下一滴雨何时落下，但你可以控制落下的速率。作者计算了每个传感器的完美“降雨率”。他们问道：“如果传感器 1 每分钟提供 5 次数据，而传感器 2 每分钟提供 2 次数据，我们对目标位置的不确定性会发生什么变化？”

这里是他们发现的神奇技巧：他们推导出了不确定性（即侦探脑中的“迷雾”）的一个数学上界（upper bound）。这个上界非常特殊，因为它是光滑且可微的。用通俗的话说，这意味着他们可以使用标准的微积分，沿着数学上的“山坡”下滑，从而找到绝对最佳的调度方案。他们可以同时调整“降雨率”和机器人的移动路径，以在保持电池寿命的同时，最大限度地减少这种“迷雾”。

“确定性”转折：从速率到实际时间

一旦数学模型计算出完美的速率（例如：“传感器 1 每秒应触发 3.4 次”），机器人仍然需要实际的时间点来进行测量。你无法在一秒钟内拍 3.4 张照片。

作者提出了一种确定性方法，将这些速率转化为具体的时刻。他们使用了一个名为 Wasserstein 距离的概念，这是一种衡量两个分布之间差异的高级方式。想象你有一个水桶（理想的速率），你需要将水倒入一组杯子中（实际的测量时间）。他们通过排列杯子的位置，使杯中的水位与水桶中的水位尽可能匹配。这确保了机器人是在最“平均”且最高效的时间进行测量，而不是依赖于可能意外跳过关键时刻的随机投骰子。

他们的发现（以及未实现的发现）

作者在两个模拟场景中测试了他们的方法：

具有能量约束的机器人： 一个试图绘制污染物云图并同时管理电池电量的机器人。当电量较低时，机器人必须移动到充电站。
放射性区域： 一个进入危险区域的机器人，在这些区域内，进行测量实际上会随着时间的推移对传感器造成损伤，使其精度下降。

在这些模拟中，他们的“优化（Optimized）”方法优于其他三种策略：

随机（Random）： 仅仅随机选择时间。
贪婪（Greedy）： 仅根据下一秒的即时情况做出决策，而不进行前瞻。
M-优化（M-Optimized）： 采样许多随机的可能性并挑选其中最好的（这在计算上非常昂贵）。

结果显示，他们的方法保持了比贪婪法和随机法更低的确定性（即“迷雾”）。它还更好地管理了机器人的能量和传感器损伤。例如，在放射性场景中，他们的方法保持的总传感器损伤显著低于随机方法。

然而，必须注意的是，这些结果来自于模拟实验。论文指出，该框架在这些特定的数学模型下表现良好，但尚未在真实的机器人或真实的放射性灾难现场得到验证。作者还指出，他们的方法依赖于某些数学假设（例如成本函数是“凹”或“凸”的），这在许多系统中成立，但对于其他系统可能需要进行调整。

为什么这很重要

这篇论文不仅仅是在说“开启或关闭传感器”。它提供了一种统一的方式，将机器人的移动、电池、传感器健康状况以及数据的质量全部整合在一起进行思考。通过将混乱的调度问题转化为一个光滑且可解的数学方程，作者为工程师们提供了一个强大的工具，用于设计更智能、更高效的自主系统。无论是监测海洋温度的卫星，还是搜寻幸存者的无人机，这种平衡“我们知道多少”与“了解这些信息的代价是多少”的能力，都是迈向真正实现机器自主化的巨大飞跃。

技术摘要：带有辅助动力学的连续-离散卡尔曼滤波的最优传感器调度与选择

1. 问题陈述

本文研究了在**连续-离散卡尔曼滤波（CD-KF）框架下进行最优传感器调度与选择的挑战。与传统的状态演化连续但测量离散的设置不同，这项工作考虑了测量过程与辅助动力学（auxiliary dynamics）**耦合的情景。这些辅助状态 ( $\xi$ ) 代表了诸如传感器的空间轨迹、能量消耗或温度等变量，这些变量直接影响测量的成本、精度和可行性。

核心问题涉及一个多传感器系统，其中：

连续时间状态动力学通过多个传感器进行观测，这些传感器提供离散且可能是不规则的测量。
测量速率和传感器选择受限于辅助动力学（例如，卫星的轨道位置影响传感器精度，或者机器人的能量随每次测量而消耗）。
目标是联合优化每个传感器的测量速率 ( $\lambda_s(t)$ ) 以及控制辅助动力学的控制输入 ( $u$ )，以最小化估计不确定性（后验协方差），同时满足资源约束。

现有文献主要侧重于连续时间测量或离散时间公式，往往忽略了传感器调度与一般辅助状态动力学（例如，依赖于轨迹的精度或能量约束）之间的耦合关系。

2. 方法论

作者提出了一个框架，通过以下步骤将随机调度问题转化为确定性最优控制问题：

A. 建模测量到达
每个传感器 $s$ 的测量到达被建模为具有随时间变化的强度 $\lambda_s(t)$ 的独立泊松过程（Poisson processes）。这使得测量时间的随机性质可以通过连续速率函数来表示。

B. 推导确定性边界
为了实现基于梯度的优化，作者推导了系统随机行为的上界：

协方差边界（命题 6.1）： 推导出了以平均辅助状态为条件的平均后验协方差矩阵的上界 $\hat{\Sigma}(t)$ 。该边界满足一个确定性的微分方程，其中随机跳跃项（狄拉克 $\delta$ 函数）被测量速率 $\lambda_s(t)$ 所取代。至关重要的是，该边界对于 $\lambda_s(t)$ 是连续可微的。
辅助状态边界（命题 6.2）： 在假设辅助动力学函数相对于扰动状态分量是凹（或凸）的条件下，推导出了一个确定性轨迹 $\hat{\xi}(t)$ ，用以限定真实的平均辅助状态。

C. 有限时域最优控制问题 (OCP)
利用这些边界，作者构建了一个有限时域最优控制问题（公式 12）。其目标是在满足以下条件的情况下最小化代价函数（例如协方差矩阵的迹）：

协方差边界 $\hat{\Sigma}$ 的确定性动力学。
辅助状态边界 $\hat{\xi}$ 的确定性动力学。
运行约束与终端约束（例如能量限制、返回基地的要求）。
测量速率的非负性。

D. 确定性测量调度
一旦计算出最优速率 $\lambda_s(t)$ 和输入 $u(t)$ ，本文提出了一种确定性的方法来选择具体的测量时刻。这被表述为一个最优量化问题。该方法最小化了由 $\lambda_s(t)$ 定义的连续强度测度与代表所选测量时刻的离散测度之间的 Wasserstein-2 距离。这确保了所选的时间点能够紧密匹配优化后的泊松过程的统计平均值。

3. 核心贡献

论文明确总结了其贡献如下：

推导出可微边界： 作者推导了以平均辅助状态为条件的 CD-KF 平均后验协方差矩阵的上界。该边界对于特定传感器的测量速率是连续可微的，从而实现了高效的基于梯度的优化。
联合优化框架： 提出了一个有限时域最优控制框架，用于联合优化测量速率和辅助状态动力学（例如车辆轨迹）。
确定性调度策略： 引入了一种确定性方法，将优化的泊松速率转换为具体的测量时间事件。该方法最小化了优化后的速率分布与测量事件的经验分布之间的 Wasserstein 距离。

4. 实验结果

通过两个涉及机器人收集数据进行动态时间高斯过程（GP）回归（等效于卡尔曼平滑）的场景验证了该方法的有效性：

场景 1（标准场景）： 一个拥有两个传感器（一个高精度/高成本，一个低精度/低成本）的机器人必须在管理能量的同时导航至目标并返回。优化过程平衡了测量频率、轨迹和能量消耗。
场景 2（放射性环境）： 这是一个扩展场景，传感器会因累积的辐射损伤而随时间退化，从而增加测量噪声。辅助状态包含了辐射损伤水平。

对比性能：
将提出的“优化（Optimized）”方法与以下方法进行了对比：

随机（Random）： 使用恒定泊松速率的均匀离散化。
贪婪（Greedy）： 基于即时成本降低的逐步选择。
M-优化（M-Optimized）： 采样多个泊松实现并选择其中最优的一个。

研究发现：

提出的方法实现了最低的平均协方差迹（1.902 对比 Greedy 的 2.608），表明具有更高的估计精度。
它保持了正的能量储备（平均 $\eta \approx 21.5$ ），而随机和贪婪策略会导致能量为负（无法返回基地）。
确定性量化方法的效果与计算昂贵的“M-优化”（采样多个实现）相当，但没有采样带来的额外开销。
规划的上界（ $\hat{\Sigma}, \hat{\eta}$ ）紧密追踪了真实的模拟轨迹，验证了所推导边界的实用性。

5. 意义与主张

论文声称填补了文献中的空白，即形式化了针对**带有辅助动力学的连续-离散状态空间模型（SSMs）**的最优传感器调度，这一设定此前未被直接探讨。

新颖性： 该工作通过泊松过程将连续时间状态演化与随机测量调度统一起来，并将辅助状态动力学整合进单一的最优控制框架中。
实用性： 通过推导可微边界，该方法使得使用标准的基于梯度的优化工具来解决此前难以处理的复杂耦合问题成为可能。
高效性： 确定性调度策略避免了蒙特卡洛采样的计算成本，同时保持了接近最佳情况随机实现的性能。
通用性： 该框架适用于各种传感器质量与操作状态耦合的领域，如卫星监测、医疗血糖追踪和环境机器人技术。

作者对理论保证保持谦逊，指出对于违反特定凹性假设的完全非线性系统，所提出的边界仅作为启发式近似，尽管实验结果表明在这些情况下其表现依然可以接受。