一种联合意见动力学与性能驱动的多智能体系统状态估计融合方法

《Information Fusion》：A joint opinion dynamics and performance-driven approach for state estimation fusion of multi-agent systems

　　

本研究开发了一种分布式自适应传感器融合架构，以解决由两类不同节点（传感器和智能体）组成的多智能体系统的状态估计问题。评估其可靠性专门解决了如何根据可信度适当地组合发送给智能体以及源自智能体的传感器数据的问题。这是通过将多智能体系统配置的共识理论概念与电力电子中成熟的扰动观察法（Perturb&Observe, P&O）相结合来实现的。这导致了一种新颖的性能驱动自适应算法的产生，该算法能够根据指定的性能标准选择更合适、更可靠的传感器组，负责增强智能体状态估计。所提出方法的最终测试是在一个基准仿真案例上进行的，该案例涉及一组无人机在避障规则下的路径规划任务。

**论文解读：基于联合意见动力学与性能驱动的多智能体系统状态估计融合方法**

**一、研究背景与问题**

在多智能体系统（Multi-Agent Systems, MAS）中，分布式状态估计是核心问题之一，其目标是通过网络化传感器和智能体间的协作，准确估计各智能体的状态。然而，实际系统中传感器可能因故障、干扰或恶意攻击而提供不可靠的数据，导致估计精度下降。传统方法多依赖单一传感器或固定传感器子集，缺乏对数据可信度的动态评估与融合。近年来，意见动力学（Opinion Dynamics）在控制系统领域受到关注，其描述的个体间意见交互机制为信任建模提供了新思路。但现有研究多集中于共识协议本身，尚未有效结合传感器选择与数据融合的实时性能需求。具体而言，存在以下问题：（1）如何同时利用多个传感器数据而不破坏声誉机制的稳态收敛性；（2）如何根据实时性能指标动态调整信任值，以识别并隔离不可靠传感器；（3）如何将分布式共识机制与自适应融合策略结合，提升整体估计鲁棒性。为此，研究人员提出了一种联合意见动力学与性能驱动的自适应融合状态估计架构，旨在解决上述问题。

**二、主要技术方法**

为实现上述目标，研究人员采用了以下关键技术方法：（1）基于Altafini离散时间共识模型的信任演化机制，通过式（9）描述智能体对传感器信任值的动态更新，该模型融合了邻居信任信息与本地性能指标；（2）扰动观察法（Perturb&Observe, P&O）自适应调节机制，通过有限状态自动机（HOME、PERTURB、OBSERVE三种模式）在实时性能指标超标时触发信任扰动，并对传感器激活子集Ξ?_j(t)进行增删操作；（3）加权融合状态估计公式（16），依据当前信任值对多个传感器估计结果进行加权平均，形成最终估计值；（4）分布式状态估计架构（图4），包含每个智能体的估计器组、传感器融合模块以及声誉机制算法模块。仿真案例中，考虑了5个智能体（无人机）和6个传感器，智能体动力学由线性时不变模型描述，腐败信号由函数f_ji(z_i)模拟。

**三、研究结果**

**3.1 Simulative Case Study（仿真案例研究）**
通过无人机跟踪移动机器人场景验证算法有效性。仿真分为三个阶段：时间区间[0,38]s，仅传感器s1和s4被腐败，FSE算法在t=4.3s时成功将s1从Ξ?₁和Ξ?₅移除，使性能指标J_j迅速降至零；时间区间[38.1,70]s，所有传感器被腐败，FSE算法仍能保持J_j(t)
**3.2 Experimental validation（实验验证）**
在卡拉布里亚大学周边道路网络场景中，使用Aimsun Next软件构建微观交通仿真数字孪生。三个智能体分别监控三个交通子系统，四个传感器提供交通流测量，腐败信号按图17注入。实验结果表明：当传感器s2在t=40min发生阶跃故障时，智能体a1的信任τ1,2迅速降至零，s1在t=60min开始斜坡故障后，τ1,1也逐步收敛至零，a1成功隔离所有故障传感器。智能体a2的信任τ2,1和τ2,2均降至零，而健康传感器s3的信任τ2,3虽下降但未归零，保障了a2的连续性操作。智能体a3未受s1、s2故障影响，信任保持为1。通过与辅助声学传感器?_j(t)（基于声压级公式估算车辆数）对比，验证了FSE算法在故障条件下仍能提供与物理真实值一致的状态估计，有效拒绝腐败数据。

**四、总结与讨论**

**4.1 讨论部分**
比较分析结果强烈支持FSE自适应信任融合框架的优势。与简单的切换或静态融合策略不同，FSE将可靠性评估和故障处理动态集成到估计与控制回路中，从而在各种操作条件下实现更具弹性和准确的性能。具体而言，FSE方法在状态估计和轨迹跟踪精度上均表现优异，其扰动观察逻辑使其能够实时响应故障的出现或消失，及时调整信任值。

**4.2 研究结论翻译**
在本文中，为复杂网络中的状态估计目的开发了一种传感器融合架构。主要贡献在于推导了一种新颖的声誉机制，该机制致力于表征信任动态，并利用多智能体系统的共识特性以及自适应扰动观察法（Perturb&Observe, P&O）进行构思。从方法论角度看，所获得的模型享有一系列性质，确保始终达成共识，并且融合状态估计架构能够根据指定判据在每个时刻识别出最合适的传感器序列，以改善局部状态估计。比较结果强有力地支持了FSE自适应信任融合框架的优势。未来研究将主要致力于扩展所提方法，以解决分布式状态估计问题，其中每个传感器仅提供状态向量的部分测量，而完整估计由多个传感器的聚合结果产生。