⚡ electrical engineering

Continuous-Time Decentralized Online Estimation With Additive Noises

本文针对具有加性通信噪声的固定有向图，提出了一种针对未知参数的连续时间分布式在线估计算法，通过分析由此产生的非自治线性随机微分方程的稳定性，证明了其在随机时空持续激励条件下的均方收敛性。

原作者： Xiaozheng Fu, Yan Chen, Tao Li

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Xiaozheng Fu, Yan Chen, Tao Li

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

想象一群朋友正试图猜出一个隐藏宝藏（“未知参数”）的位置。他们散布在城市各处，只能与直接相邻的邻居交流。他们没有一个告诉他们答案的中央指挥官；他们必须通过分享彼此所见来共同找出答案。

这篇论文讲述了这些朋友如何即使在两种情况发生时，也能成功找到宝藏：

他们的眼睛在抖动： 有时，他们看到的地图是模糊的，或者会随机变化（随机测量矩阵）。
他们的对讲机有噪音： 当他们向彼此传递猜测时，静电和干扰干扰了信号（加性通信噪声）。

以下是作者所做工作的拆解，使用了简单的类比：

问题：一个充满噪音、摇晃不定的团队

在现实世界中，传感器（如雷达或麦克风）并不完美。它们可能会出现故障，且它们彼此发送的信号会被“静电”扭曲。

“摇晃的眼睛”： 论文假设每个人得到的数据不仅仅是一个固定的数字；它就像是通过一个形状会随机变化的窗户在看宝藏。
“静电”： 当朋友们传递笔记时，笔记会被静电涂抹得模糊不清。论文关注的是“加性噪声”，这意味着静电是一种恒定的背景嗡嗡声，无论朋友说话的声音是大是小，它都存在。

解决方案：一场持续的对话

这些朋友不是每小时检查一次（离散时间），而是处于一场持续不断的、流动的对话中（连续时间）。他们使用一个特定的配方（算法）来更新他们的猜测：

“新线索”步骤： 他们观察自己那张摇晃的地图，并根据刚刚看到的内容调整自己的猜测。
“集体拥抱”步骤： 他们倾听邻居的声音，平均他们的猜测，并调整自己的猜测以匹配集体，尽管传达的信息由于静电而变得有些模糊。

核心挑战：没有地图的数学

通常，当数学家尝试证明一个系统是否有效时，他们会寻找一个完美的、清晰的公式（解析解）来描述结果。

类比： 想象你在预测一片叶子在暴风雨中的路径，而风向每秒钟都在随机变化。没有一条单一的、清晰的曲线可以展示叶子最终会走向何方。
论文的技巧： 由于无法找到完美的公式，作者使用了一种“数值近似”方法。可以将其想象为拍摄一系列极快、极小的叶子路径快照。通过将这些快照缝合在一起，他们可以证明，随着时间的推移，叶子（即他们猜测中的误差）最终会趋于稳定并停止移动，即使是在狂风之中。

关键发现

作者证明了，如果遵循以下两个主要规则，这群人最终一定会找到宝藏（收敛到正确答案）：

保持足够的交流（持续激励）： 即使地图是摇晃的，朋友们也必须足够频繁地、从足够多的角度观察宝藏。如果他们长时间盯着同一个模糊的点看，他们将无法学习。论文称之为“随机时空持续激励”。用通俗的话说：“不断提供来自足够多不同来源的数据，以便让随机性相互抵消。”
缓慢调低音量（算法增益）： 他们需要调整自己在多大程度上信任新信息与已有的知识。
- 在开始阶段，他们应该大量信任新线索（高增益）。
- 随着时间的推移，他们应该减少对“静电”的信任，让集体的猜测趋于稳定。论文表明，如果他们调低新信息音量的速度恰到好处（在数学上，类似于 $1/\sqrt{t}$ ），那么噪音就不会阻止他们找到真相。

特殊情况：“切换式”地图

论文还研究了一种场景，其中“摇晃的眼睛”遵循特定的模式，比如像一个随机开关一样忽开忽关（马尔可夫链）。他们证明了，即使存在这种切换行为，只要开关切换得足够快且团队保持交流，他们仍然能找到宝藏。

核心结论

这篇论文提供了一个数学保证，证明了一组去中心化的智能体（如传感器或机器人）可以共同成功估计一个隐藏的值，即使满足以下条件：

他们的单个传感器是不可靠且随机的。
他们的通信线路充满了静电。
他们在实时不断地更新他们的猜测。

他们通过将一个混乱的现实问题转化为一个关于“随机微分方程”（描述带有随机噪声系统的方程）的数学问题，并证明了只要设置得当，混沌最终会沉淀为一个清晰的答案。

技术摘要：具有加性噪声的连续时间分布式在线估计

问题阐述
本文研究了在固定有向图（digraph）上运行的多智能体系统中，对未知参数向量 $\theta$ 进行分布式在线估计的问题。不同于以往通常假设理想通信或确定性测量矩阵的研究工作，本研究考虑了一个更为现实的场景，即两种不同的不确定性源共存：

随机测量矩阵： 每个节点获取一个线性测量值 $dz_i(t) = H_i(t)\theta dt + \text{noise}$ ，其中测量矩阵 $H_i(t)$ 是随机且随时间变化的。在一种特定情况下，这些矩阵被建模为包含马尔可夫链（Markov chains）。
加性通信噪声： 当智能体通过交换状态估计值与邻居进行通信以达成共识时，通信信道受到加性白噪声（建模为布朗运动）的影响。该噪声的强度与智能体状态无关。

目标是设计一种连续时间分布式算法，使每个节点利用局部创新项（处理新测量值）和共识项（邻居估计值的加权和）来更新其估计值，从而确保估计误差在均方意义下收敛至零。

方法论
作者将所提估计算法的收敛性分析转化为具有随机时变系数的非自治线性随机微分方程（SDE）的稳定性分析。核心方法步骤包括：

算法构建： 构建了一种连续时间分布式协作在线估计算法。推导出的误差动力学是一个形式为 $dx(t) = A(t)x(t)dt + D(t)dw(t)$ 的 SDE，其中 $A(t)$ 代表漂移系数（取决于测量矩阵和图拓扑结构）， $D(t)$ 代表扩散系数（取决于噪声强度和增益）。
数值近似方法： 由于具有随机时变系数的 SDE 通常不存在解析解，作者采用了一种数值近似方法。他们构建了：
- 离散时间 $\Delta$ -数值近似解（DTNAS）。
- 连续时间 $\Delta$ -数值近似解（CTNAS）。
稳定性分析： 研究确立了这些 SDE 平凡解的渐近稳定性。作者证明，在特定条件下，真实解的均方渐近稳定性与数值近似解（DTNAS 和 CTNAS）的稳定性是等价的。这涉及推导 DTNAS 和 CTNAS 的充分稳定性条件，并界定真实解与 CTNAS 之间的差异。
持续激励（Persistence of Excitation）： 一个关键的分析工具是开发了“随机时空持续激励”条件。该条件要求在固定长度间隔内，漂移系数积分的条件期望所具有的诱导矩阵测度，其上界由一个求和发散至负无穷的序列所限定。

主要贡献

处理共存的不确定性： 本文解决了随机测量矩阵和加性通信噪声同时存在的难题，在这一场景下，现有的李雅普诺夫函数方法和针对确定性系数 SDE 的标准数值近似方法均不再适用。
随机时变 SDE 的稳定性： 作者为具有随机时变系数的非自治 SDE 的均方渐近稳定性建立了理论框架。他们证明，如果漂移系数和扩散系数是有界的，并且满足特定的衰减和激励条件，则解是均方渐近稳定的。
算法增益设计： 基于稳定性结果，本文提供了设计算法增益（ $\alpha(t)$ 和 $\beta(t)$ ）的条件。具体而言，如果测量矩阵和通信图满足随机时空持续激励条件，则增益可以进行设计（通常按 $O((t+1)^{-1/2-\epsilon})$ 衰减），以保证均方收敛。
马尔可夫切换情形： 研究探讨了一个特殊情况，即测量矩阵包含具有强 1-指数遍历性的马尔可夫链。研究表明，在这些条件下，算法在均方意义下收敛。

结果

理论证明： 本文证明了在假设 1（系数的有界性和独立性）和条件 1（随机持续激励和衰减率）下，误差 SDE 的解是均方渐近稳定的。
收敛速率： 分析提供了均方误差的显式界限，表明如果漂移系数以 $O((t+1)^{-1/2-\epsilon_1})$ 速率衰减，且扩散系数以 $O((t+1)^{-1/2-\epsilon_2})$ 速率衰减（其中 $\epsilon_1, \epsilon_2 > 0$ ），则可以实现收敛。
数值示例： 文中展示了一个涉及 10 个节点在平衡有向图上的仿真实验。未知参数是一个 3 维向量。测量矩阵使用独立的马尔可夫链进行建模。结果表明：
- 算法收敛至真实参数。
- 更高的噪声强度会导致均方误差的收敛速率变慢。
- 更大的算法增益（在稳定衰减范围内）会导致更快的收敛速率。

意义与主张
本文声称通过为在现实、非理想条件（随机测量和噪声通信）下运行的连续时间算法提供严谨的稳定性分析，推动了分布式估计领域的发展。通过将估计问题转化为具有随机时变系数的 SDE 的稳定性分析，作者填补了文献中的空白，因为此类方程此前难以直接分析。

其意义在于证明了即使在测量矩阵是随机的且期望未知的情况下，只要满足随机时空持续激励条件，就可以保证均方收敛。作者谦虚地指出，虽然这项工作侧重于加性噪声和基于模型的算法，但未来的工作可以探索乘性噪声、时变信号跟踪以及数据驱动的无模型方法。