The goal of a cooperative planning problem for a sensor network is to find out the sensing locations to minimize uncertainty in some variables of interest. In this thesis, a potential game approach is proposed for distributed cooperative selection of informative sensing locations. Firstly, a sensor network planning problem is formulated as a potential game. The mathematical formulation of the cooperative sensor planning is given by the optimization problem maximizing the mutual information between the measurements and the variables of interest. From a game-theoretic perspective, each sensing agent is considered as a player who tries to maximize its own utility. It is proved that a local utility defined by the conditional mutual information of a sensing agent conditioned on the other agents' decisions leads to a potential game, with the potential function being the original mutual information. This formulation enables many learning algorithms for Nash equilibrium to be applied for the optimization process. One of the learning dynamics, the joint strategy fictitious play(JSFP) method is then applied to obtain a distributed solution that provably converges to a pure strategy Nash equilibrium. To compute the utility function efficiently, two approximation methods are suggested: restricting the conditioning variables to the ones that have correlation with the sensing agent's decision and a sampling method for nonlinear and non-Gaussian cases. Two illustrative numerical examples are presented to demonstrate good convergence and performance properties of the proposed game-theoretic approach. Lastly, we present a non-myopic sensor management for a multi-target tracking problem. The planning objective is to select the sequence of sensing points over $K>1$ future time steps to minimize overall tracking error at $K$-th step. The problem is formulated as a potential game and JSFP-based learning algorithm is proposed so that the computation cost increases linearly with the size of the problem.
본 논문은 정보를 취득하기 위한 센서 네트워크의 측정위치 선택 문제를 다룬다. 측정위치 선택 문제는 가능한 측정 후보지점 중에서 관심 변수에 대해서 가장 많은 정보를 줄 측정 위치 집합을 찾는 문제로 정의된다. 측정치가 관심 변수에 대해 가지고 있는 정보는 상호 정보량으로 정량화하면, 이 문제는 관심 변수의 상호 정보량을 최대화하는 센싱 위치를 찾는 최적화 문제로 정식화할 수 있다. 위치 선택 문제는 문제 크기가 커짐에 따라 계산 시간이 기하급수적으로 증가한다. 이를 해결하기 위해 포텐셜 게임이론을 이용한 분산 기법을 제안한다. 각 로봇 센서를 게임의 참가자로 간주하고, 효용함수를 다른 센서의 결정에 준거한 조건부 상호 정보량으로 정의하여 포텐셜 게임으로 정식화하였다. 반복게임을 이용하여 포텐셜 게임의 최적 분산해를 구하고, 날씨예측과 표적 추적 예제를 통해 기존의 탐욕방법보다 더 좋은 성능을 얻을 수 있음을 보였다. 효용 함수의 계산을 효과적으로 하기 위해 근사기법을 제안하였다. 각 센서의 측정변수와 다른 센서의 측정변수간의 상관도를 이용하여 이웃을 정의하고, 이웃 센싱 변수만을 조건 변수로 하는 조건부 상호 정보량을 근사 효용 함수로 정의하였다. 마지막으로, 여러 스텝에서의 센싱위치를 찾는 문제를 다중 표적 추적 문제에 대해서 정식화하고, 이를 풀기 위한 포텐셜 게임 기법을 제안하였다.
