Distributed State Estimation of Discrete-Time LTI Systems via Jordan Canonical Representation

本文提出了一种基于系统矩阵若尔当标准型的分布式状态估计方案，通过结合局部观测器与一致性策略，推导了保证离散时间线性时不变系统渐近收敛的充要条件，并实现了比现有工作更宽松的求解条件与更灵活的耦合增益选择。

要点

这篇论文探讨了一个非常有趣的问题：在一个由许多传感器组成的网络中，如何让每个传感器都能“猜”出整个系统的真实状态，即使它们自己只能看到系统的一小部分？

想象一下，你正在玩一个巨大的拼图游戏，但拼图被分给了 100 个人（传感器）。每个人手里只有一小块拼图，而且他们只能看到自己那块拼图的颜色和形状。更糟糕的是，这块拼图还在不断移动和变形（系统状态在变化）。

这篇论文就是为了解决：这 100 个人如何互相交流，最终每个人都能拼出完整的图画？

1. 核心挑战：看不见的部分

在这个系统中，有些部分就像“隐形”的。

• 看得见的部分（可检测）： 有些传感器能直接看到某些拼图块。这部分很简单，传感器自己就能算出来。
• 看不见的部分（不可检测）： 有些拼图块，某个传感器完全看不到。这部分必须靠“听邻居说”来推测。

以前的方法（比如论文中提到的文献 [2]）就像是一个严厉的教官，要求所有人必须用完全相同的“交流音量”（耦合增益）来互相沟通。如果音量太大，信息会乱套；音量太小，又听不清。这导致很多情况下，这个拼图游戏根本玩不转（条件太苛刻）。

2. 这篇论文的妙招：乔丹分解与“分而治之”

作者提出了一种更聪明的方法，核心在于利用数学上的**“乔丹标准型”（Jordan Canonical Form）**。

你可以把整个系统想象成由许多**“乐高积木块”**（Jordan 子块）组成的。

• 传统做法： 试图一次性处理所有积木，或者把积木拆得太碎。
• 新做法： 作者把积木按“谁看得见”重新分类。
  1. 完全看得见的积木： 如果某个传感器能完全看清某一块积木，它就自己负责这块，用标准的“本地观察者”（Luenberger 观测器）来跟踪。
  2. 看不见的积木： 如果某个传感器看不清某块积木，它就不自己瞎猜，而是通过**“共识策略”**（Consensus）向邻居打听。

3. 最大的创新：个性化的“交流音量”

这是这篇论文最精彩的地方。

• 以前的方法： 就像在一个大房间里，所有人必须用同一个音量说话。如果房间里有回声（系统不稳定），大家要么都听不见，要么都吵翻天。
• 这篇论文的方法： 允许每个人、甚至每块积木，拥有自己专属的音量。
  • 对于那块很难猜的积木，传感器 A 可以调大音量跟邻居 B 交流。
  • 对于那块容易猜的积木，传感器 A 可以调小音量，甚至不听。

比喻：
想象你在一个嘈杂的派对上（系统），你想听清不同朋友（不同状态分量）在说什么。

• 旧方法： 所有人必须用同一个分贝喊话。结果，想听清小声说话的人被震聋了，想听清大声说话的人又觉得不够响。
• 新方法： 你想听谁说话，就专门调整耳朵的灵敏度（增益）去听谁。想听清朋友 A 的悄悄话，你就把耳朵凑近点（增益大）；朋友 B 在喊叫，你就稍微离远点（增益小）。

4. 为什么这很重要？

这种方法带来了两个巨大的好处：

1. 更灵活： 不再需要“一刀切”的设定。只要网络连通性满足一定条件（比如每个看不见的部分，至少有一个邻居能看见，并且大家能连成一条线），就能成功。
2. 更容易实现： 以前很多系统因为条件太苛刻，根本设计不出分布式观测器。现在，因为允许“个性化音量”，很多以前被认为“无解”的系统，现在也能解了。

5. 实际效果

论文最后用了一组“双足机器人”（Pendubots）做实验。想象有 6 个机器人手拉手站成一排，每个机器人只能看到自己的关节角度。

• 目标： 每个机器人都要算出所有 6 个机器人的关节角度。
• 结果： 通过这种“分块处理 + 个性化交流”的方法，每个机器人都成功地在几秒钟内，准确猜出了所有机器人的位置，就像大家心领神会一样。

总结

这篇论文就像给分布式系统的设计师提供了一套**“智能沟通指南”**。它告诉我们：不要试图用一种方法解决所有问题。把大问题拆成小块（利用乔丹分解），然后针对每一块小问题，定制最适合它的沟通策略（个性化增益）。这样，即使系统很复杂、网络很嘈杂，大家也能齐心协力，拼出完整的真相。

技术摘要

这是一份关于论文《基于 Jordan 标准型表示的离散时间 LTI 系统分布式状态估计》（Distributed State Estimation of Discrete-Time LTI Systems via Jordan Canonical Representation）的详细技术总结。

1. 研究背景与问题定义 (Problem)

• 背景：随着现代系统规模和复杂度的增加，分布式状态估计成为研究热点。在分布式框架下，多个传感器通过通信网络观测一个线性时不变（LTI）系统。每个传感器只能获取系统的部分状态测量值，且无法独立估计完整状态，必须依赖邻居节点交换信息（共识策略）来协同估计。
• 挑战：
  • 与连续时间系统不同，离散时间系统的分布式估计不能直接套用基于高增益耦合的共识策略。
  • 现有方法（如 Park 和 Martins 的工作，或 Gao 和 Yang 在文献 [2] 中的工作）虽然有效，但在增益选择灵活性和可解性条件上存在局限性。文献 [2] 要求所有观测器使用统一的耦合增益，且条件较为严格。
• 目标：针对离散时间 LTI 系统，设计一种分布式观测器，使得每个节点的状态估计误差渐近收敛到零。该方案需利用系统的 Jordan 标准型，并旨在提供比现有文献（特别是文献 [2]）更宽松的可解性条件和更灵活的增益选择机制。

2. 方法论 (Methodology)

本文提出了一种基于Jordan 标准型分解和卡尔曼可检测性分解相结合的分布式观测器设计框架。

2.1 系统预处理与状态分解

假设系统矩阵 $A$ 已处于 Jordan 标准型（或通过基变换实现）。对于每个节点 $i$，根据其对系统各 Jordan 子块（Jordan miniblock）的可检测性，将状态向量 $x(t)$ 进行重排和分解：

1. 完全可检测部分 ($x_{i,d}$)：包含那些对于节点 $i$ 而言，其对应的 Jordan 子块完全可观测（或可检测）的状态分量。
2. 不可检测部分 ($x_{i,u}$)：包含那些对于节点 $i$ 而言，其对应的 Jordan 子块不可观测的状态分量。这些分量需要依赖邻居节点的信息进行估计。

具体步骤包括：

• 将状态空间划分为对应于不稳定特征值（$|\lambda| \ge 1$）和稳定特征值（$|\lambda| < 1$）的部分。
• 针对每个不稳定特征值 $\lambda_\ell$ 及其对应的 Jordan 子块 $A_{\ell, h_\ell}$，根据节点 $i$ 的输出矩阵 $C_i$ 对该子块的观测能力，将其划分为三类集合：
  • $G_{i,1}$：完全不可观测（$C_{block}=0$）。
  • $G_{i,2}$：部分可观测（第一列非零，但非完全可观测）。
  • $G_{i,3}$：完全可观测（$C_{block}e_1 \neq 0$）。
• 通过置换矩阵 $Q_i$ 和 $R_i$，将系统矩阵和输出矩阵转化为分块上三角或分块对角形式，分离出可检测子系统和不可检测子系统。

2.2 分布式观测器设计

观测器由两部分组成：

1. 局部 Luenberger 观测器：

   • 用于估计可检测部分 $x_{i,d}(t)$。
   • 利用本地测量值 $y_i(t)$ 和邻居信息，设计增益 $L_{i,d}$，使得误差动态矩阵 $F_{i,d} - L_{i,d}H_{i,d}$ 为 Schur 稳定（即特征值模小于 1）。
   • 关键改进：与文献 [2] 不同，本文仅保留那些整个 Jordan 子块完全可检测的状态分量在 $x_{i,d}$ 中，而不是部分分量。

2. 基于共识的估计器：

   • 用于估计不可检测部分 $x_{i,u}(t)$。
   • 采用共识策略，利用邻居节点 $j \in \mathcal{N}_i$ 的估计值 $\hat{x}_j(t)$ 进行修正。
   • 核心创新：为每一个 Jordan 子块（对应特定的特征值 $\lambda_\ell$ 和子块索引 $h_\ell$）设计独立的耦合增益 $k_{\ell, h_\ell}$，而不是像文献 [2] 那样使用全局统一的增益 $k$。
   • 误差动态方程形式为：
     $$e_{\ell, h_\ell}(t+1) = (I - k_{\ell, h_\ell} L_{\ell, h_\ell}) \otimes A_{\ell, h_\ell} \cdot e_{\ell, h_\ell}(t)$$
     其中 $L_{\ell, h_\ell}$ 是拉普拉斯矩阵删去完全可观测节点行/列后的子矩阵。

3. 主要贡献 (Key Contributions)

1. 更灵活的增益选择：
   • 提出了为每个 Jordan 子块分配独立耦合增益 $k_{\ell, h_\ell}$ 的机制。这比文献 [2] 中要求所有子块共享单一增益 $k$ 的约束要宽松得多，极大地增加了设计的自由度。
2. 更宽松的可解性条件：
   • 推导了分布式观测器存在的充要条件（Theorem 4）：对于每一对 $(\ell, h_\ell)$，存在标量 $k_{\ell, h_\ell}$ 使得 $|1 - k_{\ell, h_\ell}\mu| < 1/|\lambda_\ell|$ 对所有 $\mu \in \sigma(L_{\ell, h_\ell})$ 成立。
   • 该条件不仅简化了验证过程（从针对每个状态分量验证变为针对每个子块验证），而且放宽了对通信拓扑的要求。
3. 简化的设计流程：
   • 通过仅关注“完全可检测的整个子块”，避免了复杂的子向量分割处理，使得符号表示更简洁，且降低了计算复杂度（需要计算谱的矩阵数量减少）。
4. 理论对比：
   • 详细论证了本文提出的条件（24）比文献 [2] 中的条件（30）更弱（即更容易满足），并指出文献 [2] 中的某些隐含条件（如关于生成森林的条件）在本文框架下自然满足且约束范围更小。

4. 实验结果 (Results)

• 数值算例：论文使用了一个由 6 个 Pendubot（双连杆倒立摆）组成的网络进行仿真。
  • 系统矩阵 $A$ 具有复特征值，验证了该方法可处理非实特征值（通过实 Jordan 型）。
  • 构建了特定的通信拓扑和测量矩阵。
  • 计算了各子块对应的拉普拉斯子矩阵特征值，并求解不等式得到了耦合增益 $k$ 的可行范围。
• 仿真表现：
  • 仿真结果显示，所有 6 个节点都能渐近收敛到真实状态（即所有 Pendubot 的关节角度）。
  • 误差曲线迅速衰减至零，证明了所提方法的有效性和收敛性。

5. 意义与结论 (Significance & Conclusion)

• 理论意义：该论文将 Jordan 标准型分解与分布式估计紧密结合，解决了离散时间系统中高增益共识策略失效的问题。通过引入针对每个 Jordan 子块的独立增益，打破了以往方法的瓶颈，为分布式观测器的设计提供了更通用的理论框架。
• 实际应用价值：提出的方法降低了网络拓扑和通信权重的限制，使得在更广泛的实际网络（如传感器网络、多智能体系统）中实现精确状态估计成为可能。
• 未来展望：作者指出未来工作将致力于将该方法扩展到存在未知输入和外部扰动的系统，以进一步增强方法的鲁棒性。

总结：这篇文章通过利用 Jordan 标准型的结构特性，提出了一种新的分布式状态估计方案。其核心优势在于**“分而治之”的策略（按子块处理）和“个性化增益”**的设计，从而在理论上证明了比现有方法更优越的收敛条件和设计灵活性。