Data-Driven Switched State Estimation with Sparse Sensor Scheduling for Nonlinear Networked Systems
作者: Gianfranco Gagliardi, Franco Angelo Torchiaro, Vincenzo Gallelli, Ayman El Qemmah, Alessandro Casavola
分类: eess.SY
发布日期: 2026-09-25
💡 一句话要点
提出数据驱动的切换状态估计方法以解决非线性网络系统的传感器调度问题
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 非线性系统 状态估计 传感器调度 数据驱动 优化方法 交通网络 稀疏性 动态系统
📋 核心要点
- 现有方法在处理未知非线性网络系统时，往往面临状态估计不准确和传感器利用率低的问题。
- 本文提出了一种数据驱动的框架，通过在线识别局部线性化模型和优化传感器调度来提高估计精度和效率。
- 在Aimsun Next模拟的18链路交通网络上验证了该方法，结果显示其在减少传感器数量的同时，准确重建了交通状态。
📝 摘要（中文）
本文提出了一种数据驱动框架，用于未知非线性网络系统的联合观察者设计和稀疏传感器调度。通过在线将非线性动态近似为局部线性化的离散时间系统序列，利用子空间状态空间系统识别（4SID）递归识别切换线性表示。引入正交Procrustes对齐以确保状态转变的一致性，减轻由于任意状态空间坐标变化引起的人工不连续性。基于识别的局部实现，设计了双速率预测-修正观察者，观察者增益通过凸优化问题计算，兼顾估计精度、传感器稀疏性和稳定性要求。实验结果表明，该观察者能够准确重建宏观交通状态，同时显著减少实时估计所需的活动传感器数量。
🔬 方法详解
问题定义：本文旨在解决未知非线性网络系统的状态估计和传感器调度问题。现有方法通常无法有效处理非线性动态，导致估计精度不足和传感器资源浪费。
核心思路：通过在线将非线性动态近似为局部线性化的离散时间系统，结合正交Procrustes对齐，确保状态转变的一致性，从而提高估计的准确性和稳定性。
技术框架：该框架包括三个主要模块：首先是通过4SID方法识别局部线性模型，其次是设计双速率预测-修正观察者，最后通过凸优化计算观察者增益，兼顾估计精度和传感器稀疏性。
关键创新：引入正交Procrustes对齐技术，解决了状态转变中的坐标一致性问题，避免了由于坐标变化引起的估计不连续性，这是与现有方法的本质区别。
关键设计：在增益矩阵中引入L_{2,1}-范数正则化项，以促进列稀疏性，自动选择信息丰富的测量通道，同时施加谱范数约束以确保估计误差动态的Schur稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在Aimsun Next模拟的18链路交通网络中，所提方法能够准确重建交通状态，同时将所需的活动传感器数量减少了显著的比例，提升了系统的实时估计能力。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在交通管理、智能城市和自动驾驶等领域。通过优化传感器调度和状态估计，可以有效提高系统的实时响应能力和资源利用效率，推动智能交通系统的发展。
📄 摘要（原文）
This paper presents a data-driven framework for joint observer design and sparse sensor scheduling for unknown nonlinear networked systems. The nonlinear dynamics are approximated online as a piecewise sequence of locally linearized discrete-time systems, resulting in a switched linear representation recursively identified through Subspace State-Space System Identification (4SID). To ensure consistency across regime transitions, an Orthogonal Procrustes alignment is introduced to promote coordinate consistency across consecutive regime transitions and mitigate artificial discontinuities caused by arbitrary state-space coordinate changes. Based on the identified local realizations, a dual-rate predictor-corrector observer is designed. The observer gain is computed through a convex optimization problem that jointly addresses estimation accuracy, sensor sparsity, and stability requirements. In particular, an L_{2,1}-norm regularization term promotes column sparsity in the gain matrix, enabling the automatic selection of informative measurement channels, while a spectral-norm constraint guarantees Schur stability of the estimation error dynamics. The proposed framework is first validated on a traffic network simulated in Aimsun Next. Results obtained on an 18-link network show that the observer accurately reconstructs macroscopic traffic states while significantly reducing the number of active sensors required for real-time estimation.