Improving D-Optimal Sensor Placement for Bearing-Only Localization via Maximum-Entropy Reweighting

技术摘要：通过最大熵重加权改进纯方位定位中的 D 最优传感器布设

问题陈述
本文解决了纯方位源定位中传感器最优布设的挑战，该问题在水声、雷达和野生动物追踪中普遍存在。标准方法采用 D 最优设计，即最大化 Fisher 信息矩阵（FIM）的对数行列式。然而，在粒子滤波实现中，FIM 通常在重采样后使用均匀加权的粒子进行评估。这种均匀平均将靠近真实源的粒子与远离真实源的粒子同等对待，特别是在先验分布覆盖广阔域的早期迭代中。因此，由此产生的传感器布设在先验的期望意义上是最优的，但未能利用后验质量可能集中的特定几何构型。在多源场景中，这种局限性尤为突出，因为联合状态空间维度高且后验结构复杂。

方法论
作者提出了一种双层序列架构，将信息需求的定义与传感器配置优化解耦：

1. 第一层：最大熵（MaxEnt）重加权
   在优化传感器位置之前，对粒子权重进行重加权，使质量集中于后验可能落定的区域，而无需引用特定的传感器模型。这被表述为一个约束优化问题：在由切片 Wasserstein（SW2）距离定义的分布准确性界限约束下，最小化新权重与当前先验权重之间的 Kullback-Leibler（KL）散度。

   • 目标：目标分布是粒子当前加权均值处的狄拉克质量（Dirac mass）。
   • 约束：重加权后的经验测度与目标之间的 SW2 距离必须在预算 $\epsilon$ 之内。
   • 解法：由于目标是狄拉克质量，SW2 约束在权重上变为线性的。解为先验权重的指数倾斜：$w_i^{opt} \propto w_i^- \exp(-\lambda g_i)$，其中 $g_i$ 表示粒子 $i$ 相对于目标的代价（平方距离）。拉格朗日乘子 $\lambda$ 通过二分法确定以满足准确性预算。
   • 解耦：该层独立于传感器噪声、数量或位置，使得重加权可推广至不同的传感模式。

2. 第二层：D 最优传感器布设
   利用来自第一层的重加权粒子，系统求解标准的 D 最优布设问题。目标是最优化总 FIM 的对数行列式，该 FIM 现在使用重加权粒子计算。这将传感器引导至针对集中后验区域的特定几何信息构型。优化采用具有解析计算梯度的多起点 L-BFGS-B 算法。

3. 序列过程
   该过程迭代进行：第一层重加权粒子，第二层优化传感器位置，生成合成方位测量值，并通过标准贝叶斯乘法更新粒子权重。当有效样本量（ESS）低于阈值时进行重采样。

主要贡献

1. 框架实例化：本文实例化了用于多源纯方位定位的最大熵似然合成框架，在序列架构中将最大熵粒子重加权与 D 最优布设相结合。
2. 系统实证证据：作者提供了跨越 64 种配置（变化源数量 $M \in \{3, \dots, 10\}$ 和传感器数量 $R \in \{3, \dots, 10\}$）在两个噪声水平（$\sigma = 8^\circ$ 和 $\sigma = 15^\circ$）下的实验结果。
3. 机制特征刻画：本文确定了该方法成功或失败的具体条件。它将“成功机制”特征化为传感器与源之比 $R > M$ 且具有信息丰富的测量值（低噪声）。相反，它识别出“失败机制”，即 $R < M$（传感器匮乏），指出重加权可能会通过牺牲必要的角度多样性而降低性能。

结果

• 性能提升：在中等噪声（$\sigma = 15^\circ$）下，与 D 最优基线相比，MaxEnt 方法将均方根误差（RMSE）平均降低了 7.9%，改进范围从 -21% 到 +25%。在低噪声（$\sigma = 8^\circ$）下，平均改进上升至 17.2%，范围为 -7% 到 +34%。
• 传感器效率：该方法展示了显著的“传感器节省”。在 $\sigma = 8^\circ$ 时，使用较少传感器的 MaxEnt 通常能达到与使用更多传感器的 D 最优方法相同的 RMSE。例如，对于 6 个源，使用 3 个传感器的 MaxEnt 优于使用 10 个传感器的 D 最优方法，相当于节省了 7 个传感器。
• 收敛性：改进在序列过程的前几次迭代中确立。随着后验集中，重加权分布与均匀分布趋于收敛，但传感器布设的早期优势持续存在，导致最终 RMSE 更低。
• 失效模式：当传感器相对于源稀缺（$R < M$）时，该方法主要导致性能下降。在这些情况下，重加权将 FIM 集中于后验的子集，减少了准确定位所需的角度多样性。

意义与主张
本文主张，所提出的双层架构提供了一种原则性的方法来改进传感器布设，通过将 FIM 评估与后验的可能几何结构对齐，而不是与广泛的先验对齐。结构解耦被强调为关键的理论优势，允许重加权逻辑推广至不同的传感模式（例如距离、到达时间），而布设层则保持对几何结构的特异性。

作者谦逊地将他们的贡献框架为在特定条件下对经典 D 最优设计的改进，而非通用解决方案。他们明确承认了局限性，包括假设已知数据关联（避免了联合概率数据关联的组合复杂性）、限制于二维静态源，以及使用均值处的狄拉克目标，这简化了优化但可能不如高斯混合目标那样有效地捕捉多模态后验。该工作确立了：当存在几何自由度（$R > M$）且测量值具有信息量时，该方法被证明是有益的；而当这些条件不满足时，它会退化为经典的 D 最优行为或导致性能下降。