标签：#声源定位 | #信号处理 | #形式化分析 | #麦克风阵列
评分：6.8/10 | 创新 1.2/2 | 技术严谨 1/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1.2/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5
👥 作者与机构
- Anton Tolstonogov：机构信息未在 arXiv HTML 中可靠披露
- David Cabecinhas：机构信息未在 arXiv HTML 中可靠披露
- Pedro Batista：机构信息未在 arXiv HTML 中可靠披露
- Antonio Pascoal：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
被动声源定位输入为各接收站已知位置与带噪到达时刻戳，输出为目标位置与未知发射时刻，难点在于无发射同步参考且若先做差分会引入跨节点相关噪声与双曲耦合。方法链分三步：先将最小二乘目标保持在ToA域并为每节点维护位置与时刻局部副本，再用边变量分布式交替方向乘子法施加邻居一致性约束，最后交替执行闭式局部最小化、边变量平均与对偶上升直至残差门限。局部闭式更新以上一步共识量与对偶量为输入，直接输出下一轮局部估计并送入边平均，从而避免嵌套数值求解。与先做到达时间差预处理再解双曲方程的路线相比，该机制省去配对通信与相关噪声建模，使子问题仅依赖单节点量测与邻居共识量。原文未提供可核对的关键定量结果。结论适用边界受限于单目标可分辨、时钟已同步、目标远离接收站且图连通的二维八节点仿真，尚未验证三维、异步、多源混叠与真实海试。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 代码相关资源：https://github.com/bioniwulf/playground-distributed-localization-admm — 链接可访问（HTTP 200）
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，目标是什么，本文读完能复述什么？
本文输入是多个已知位置接收器记录的声信号到达时刻，输出是对非合作声源位置的估计，同时附带对未知发射时刻的估计。研究场景是水下等无全球导航、发射与接收不同步的被动监听，应用背景包括海洋生物跟踪、搜救与海上安全。必须保留的关键信息是：接收器时钟已同步但发射时刻未知，声速已知，噪声建模为独立同分布高斯，网络是无向连通图，目标为单目标，若多目标可按频率等特征区分后独立处理。
本文目标不是提出新的声学特征提取器，而是在给定到达时刻数值后，解决如何不做到达时间差预处理、直接在到达时间域内做分布式优化。读完应能复述三件事：第一，为什么把发射时刻保留为未知量反而更适合分布式；第二，边分布式交替方向乘子法的 3 步更新分别算什么、交换什么；第三，实验在什么声速、噪声、惩罚参数与停止阈值下与集中式求解器和克拉美罗下界参考做了比较。代码当前可用，已公开在 GitHub 仓库，地址见原文证据，可用于核对算法流程与仿真设置。
为什么被动定位有两条路线，本文为何不选差分路线？
被动定位的白话困难是：接收器只知道信号何时到达，不知道信号何时发出，因此单凭一个到达时刻无法区分是发出得晚还是传得远。英文术语上，到达时间是 Time of Arrival，缩写 ToA；到达时间差是 Time Difference of Arrival，缩写 TDoA。传统做法有两条：一条是把两个到达时刻相减消去发射时刻，得到双曲定位模型；另一条是把发射时刻留下来，与位置一起联合估计。
到达时间 × 到达时间差： 到达时间指接收器记录的绝对到达时刻加未知发射时刻与传播延迟，本文中每个接收器只用自己的一条记录；到达时间差指把两个到达时刻相减以消去未知发射时刻，但代价是每条量测同时依赖两个节点并引入相关噪声。两者搭配的理由是：消去发射时刻看起来减少了未知量，却破坏了数据与通信拓扑的对齐，使单个节点无法独立计算残差；本文因此保留到达时间形式，把发射时刻作为显式未知量联合估计，再用一致性约束让分散的局部代价协同求解。
论文列出差分路线的 3 个具体代价：不同差分对共享参考节点导致噪声相关；分布式下需要先通信 1 次才能形成配对差分；双曲观测模型本身难解。更关键的结构论点是：差分量测天然属于节点对，单个接收器只凭本地数据无法定义完整的局部残差，因此平均一致、gossip、扩散等假设每个智能体可独立计算局部估计再调和的方法难以直接套用。
相关工作中的集中式几何代数解、最大似然、半定与 2 阶锥松弛，以及把交替方向乘子法只当集中式数值优化工具的做法，都没有解决这种量测结构与通信拓扑错位的问题。本文的选择是反直觉但可操作的：多保留一个未知量，换取每个节点都有本地可算的代价项，再靠一致性把分散信息拼回全局最优。
沿一个样本走完：从一次到达时刻到最小二乘目标
先沿一个接收器的样本走完全程。记该接收器位置为 s_i，未知目标位置为 p，未知发射时刻为 t，声速为 v，到达时刻量测为 τ_i，噪声为 w_i。物理关系是发射时刻加上距离除以声速再加噪声等于观测到的到达时刻，距离用欧氏范数度量。白话说，观测时间等于出发时间加路上花的时间，路上时间由距离与声速决定。
\[\tau_{i}=t+\frac{1}{v}\|\mathbf{p}-\mathbf{s}_{i}\|+w_{i},\]上式中 τ_i 是输入量测，t 与 p 是待求量，s_i 与 v 已知，w_i 是零均值高斯噪声。单个方程解不出两个未知量，但把所有接收器的方程放在一起，就构成一个可联合求解的全局问题。原文把 2 维情形要求至少 3 个接收器、3 维至少 4 个接收器作为可定位的前提假设，并假设接收器时钟已充分同步。
把每个接收器的预测到达时刻与实际到达时刻之差平方后求和，就得到集中式最小二乘目标，优化变量是全局位置 p 与全局时刻 t。
\[\min_{\mathbf{p},t}\sum_{i=1}^{N}\frac{1}{2}(\tau_{i}-t-\frac{1}{v}\|\mathbf{p}-\mathbf{s}_{i}\|)^{2}.\]这个目标是非凸的，且在 p 恰好等于某个 s_i 处因范数不可微。原文还写出差分形式作为对照：把两个到达时刻相减乘以声速，得到距离差加噪声差的形式，但正文明确不采用该形式做分布式求解。
该段引出下图要看的几何关系：绝对到达距离包含未知发射时刻的贡献，而距离差消去该公共项但把两节点绑在一起，像素细节见图后解释。
看图路径： 1. 先找到蓝色目标点 p 与两个绿色接收器 s1、s2，再沿黑实线读出 d1 与 d2 两段距离标注；2. 再看灰色虚线圆弧上的 τ1v 与 τ2v 标记，理解绝对到达距离与真实距离的差来自未知发射时刻；3. 最后读左下方 d2-d1=Δ2,1v 标注，确认差分如何消去发射时刻但把两节点绑在一起
论文图 1。原论文 Fig. 1:：“Measurement geometry for the case of two receivers and one target (p denotes the emitting target, and s_i, i=1,2, denote the receivers).”。
上图用两个接收器与一个目标说明几何关系：从目标到两个接收器的直线距离分别是 d1 与 d2，绝对到达距离包含未知发射时刻的贡献，而两者之差消去了该公共项。像素中可见灰色虚线圆弧表示等到达距离，左下方明确标出距离差等于差分量测乘以声速。教学例子：若只看 s1 自己，它知道 τ_1 与 s_1，但不知道 t，因此无法单独反推 p；只有当所有节点的这类方程通过一致性联合起来，位置与时刻才能同时被约束住。
方法全景：把全局最小二乘拆成邻居可算的三步
方法全景可以概括为复制变量再强制相等。每个接收器 i 维护本地状态 x_i，包含本地位置估计 p_i 与本地时刻估计 t_i；每条无向边维护一个边变量 y，要求边两端的局部状态都等于它。于是全局目标被改写为所有本地代价之和，约束是每条边上的两个等式。每个等式配一个对偶变量，i 侧与 j 侧各记一个。算法按轮次执行 3 阶段更新，细节见局部更新节。
下图导读只依据本次可辨认的像素：两个绿色节点、中间双向实线箭头和两侧虚线箭头；变量符号的具体含义以正文公式与图注为准，不从当前像素臆读标注文字。
看图路径： 1. 先找到左右两个绿色圆形节点 i 与 j，确认这是待达成一致的一条边；2. 再看两节点之间居中的双向实线箭头，理解它是边上的直接耦合通道；3. 最后看两侧向外发散的虚线箭头，确认该边只是全网众多约束中的一条
论文图 2。原论文 Fig. 2:：“The edge variable \mathbfy_i,j enforces agreement between the states \mathbfx_i and \mathbfx_j, and each constraint is associated with a corresponding dual variable \mathbfu_i,j…”。
上图本次像素中可清楚辨认的是左右两个绿色圆形节点、中间一条双向实线箭头以及两侧向外发散的虚线箭头。边变量居中起汇合作用、两侧局部状态经实线连接、对偶变量分属两侧约束的对应关系，以原文图注与正文公式为准。两侧向外的虚线表示该边只是节点全部邻居约束中的一部分。算法按轮次执行：第 1 阶段各节点用邻居上一轮的边变量与对偶变量更新自己的 x；第 2 阶段用两端新的 x 与旧对偶更新边变量 y。
第 3 阶段用新的 x 与 y 更新对偶 u。每轮需要发送 x、对偶与边变量给邻居，终止依据是本地原始残差与对偶残差是否同时小于阈值。
这种安排的理由在原文写得很直接：保留 ToA 形式后每个局部代价只用本地到达时刻即可计算，天然与分布式优化对齐；采用边形式而非节点平均形式，是为了遵循已有的边分布式交替方向乘子法框架，使一致性约束可以按边并行处理。与把该方法只用于集中式计算加速的先前工作不同，本文把它用作分布估计本身的组织方式，不设融合中心。
局部更新如何做到闭式，初始化与通信是什么？
局部更新的白话目标是：在邻居暂时固定时，找到最符合本地量测又不太偏离邻居共识的 x_i。数学上它是本地最小二乘加 2 次惩罚项的极小化，惩罚用对角矩阵区分位置与时间的系数。
\[\mathbf{x}_{i}^{[k+1]}=\arg\min_{\mathbf{x}_{i}}f_{i}(\mathbf{x}_{i})+\frac{1}{2}\sum_{j\in\mathcal{N}_{i}}\|(\mathbf{x}_{i}-\mathbf{y}_{i,j}^{[k]}+\mathbf{u}_{i,j}^{[k]})\|_{\Theta}^{2},\]上式中求和遍历 i 的邻居，边变量与对偶取上一轮值。直接优化同时含范数与 2 次项，原文通过重参数化得到闭式解。做法是把位置写成接收器位置加距离标量与单位方向的乘积，先固定距离与时刻则最优方向必与平均共识向量减接收器位置的差向量同向，再代回得到关于时刻与距离的严格凸 2 次问题，解一个二元线性方程组即可。若解出的距离非负则为约束问题的最优解，否则取边界零。该结论要求差向量非零，原文用特定的冷启动初始化避开退化情形。
局部状态变量 × 边一致变量： 局部状态变量是每个接收器自己维护的位置估计与发射时刻估计，只依赖本地到达时刻；边一致变量是为每条通信边设立的中间汇合点，要求边两端的局部状态都向它看齐。两者搭配的原因是原问题只有全局位置与全局时刻，没有天然可分结构；引入边变量后，全局一致被拆成大量成对等式，再配对偶变量做交替方向乘子法更新，组合意义是把耦合从全局目标转移到邻居间可交换的消息上。
边更新与对偶更新形式简单，分别是两端状态加对偶的平均，以及对偶加本地不一致量。
\[\mathbf{y}_{i,j}^{[k+1]}=\frac{1}{2}\left(\mathbf{x}_{i}^{[k+1]}+\mathbf{x}_{j}^{[k+1]}+\mathbf{u}_{i,j}^{[k]}+\mathbf{u}_{j,i}^{[k]}\right),\]\[\mathbf{u}_{i,j}^{[k+1]}=\mathbf{u}_{i,j}^{[k]}+\mathbf{x}_{i}^{[k+1]}-\mathbf{y}_{i,j}^{[k+1]}.\]上两式说明边变量是邻居信息的平均汇合点，对偶变量累积历史不一致。初始化时本地位置取自身与邻居接收器位置的平均，本地时刻由本地到达时刻减去该初始距离除以声速得到，使初始局部残差为零；边变量初值为两端初值的平均，对偶初值为零。通信上每轮分 3 阶段发送对偶、状态与边变量，终止量是加权范数下的最大边不一致与状态变化量。
增广拉格朗日 × 惩罚矩阵： 增广拉格朗日本文指在局部最小二乘代价之外，对每个一致性等式加上对偶项与 2 次惩罚项；惩罚矩阵是对位置分量用 ρp、对时间分量用 ρt 的对角加权，原因是位置单位为米、时间单位为秒，尺度与敏感度差异很大。两者组合的意义是：对偶项记住历史不一致的方向，2 次项把邻居拉近，分离的惩罚系数让两类变量以各自合适的步调达成一致。
冷启动初始化 × 热启动初始化： 冷启动初始化指无先验时把本地位置取为自身与邻居接收器位置的质心，再由本地到达时刻反推发射时刻使局部残差为零；热启动初始化指对后续时刻直接复用上一时刻的估计作为起点。两者分工是前者解决非凸问题对初值的依赖，后者利用时间连续性减少迭代；搭配意义是在同一套闭式更新下，用几何可算的起点保证第 1 次可运行，用历史起点降低持续跟踪的通信与计算代价。
没有神经网络训练时，什么在迭代，什么被证明？
本研究没有训练神经网络，也没有学习权重、反向传播、数据集划分训练或冻结主干等操作，因此不存在训练轮次、学习率调度或梯度路径选择。该节的等价计算过程是分布式数值优化迭代：每次迭代各节点求解闭式局部问题 1 次，再做 1 次邻居平均与 1 次对偶上升，重复直到残差小于阈值。调用的是既有数值关系而非学习到的模型，仿真是按高斯噪声生成到达时刻，再跑上述确定性更新规则。
平滑近似 × 块 Lipschitz 常数： 平滑近似指把距离范数替换为根号下平方距离加小量 ε，以消除目标恰好落在接收器位置处的不可微点；块 Lipschitz 常数指在分析区域内对位置块与时间块分别界定 Hessian 谱范数的上界。搭配理由是只有连续可微且梯度变化可控，才能套用非凸 ADMM 的平稳点收敛框架；组合后得到对 ρp 与 ρt 的充分条件区间，说明惩罚必须足够大以压住非凸残差的曲率。
收敛分析针对的是平滑后的目标，不是原始不可微目标。平滑把距离替换为根号下平方距离加 ε，并把 ε 解释为最小半径平方，物理含义是认为目标不会出现在接收器周围极小邻域内。分析区域要求平滑距离不小于该半径，且残差幅值不超过噪声标准差的 k 倍。在此区域内推导位置块与时间块的 Lipschitz 常数，再按节点数放大为全局块常数。原文给出充分条件：惩罚参数不小于对应全局常数，且惩罚与局部强凸模量乘积大于 2 倍常数平方。
在此条件下，平滑问题的交替方向乘子法迭代极限点为 1 阶平稳点。原文同时说明该界可能保守，拓扑对速率的影响未定量，只定性指出更稠密的连通图实践中可能更快。
仿真在什么条件下跑，与谁比、指标方向是什么？
所有仿真均为 2 维，接收器网络固定为 8 个接收器组成的稀疏通信图。声速、惩罚参数与初始化方式在各实验中保持一致，噪声为高斯到达时间噪声。评估分 4 步：单目标收敛过程、100 个随机目标位置的鲁棒性、不同噪声下与集中式解和克拉美罗下界参考的比较、惩罚参数敏感性。集中式基准用 IPOPT 经 CasADi 直接解非凸最小二乘，初值为接收器质心与平均到达时间；下界参考引用相关集中式未知发射时刻 ToA 公式的结果，不是本文新推导的分布式下界。指标方向是位置标准差或均方根误差越小越好，迭代数越小表示达成共识越快。
下表把原文明确给出的可运行配置整理为对照问题：在相同声速、惩罚与初始化下，不同实验是否只改变目标位置、噪声强度与停止阈值。公平条件是接收器几何与通信图固定，集中式与分布式用各自明确的初始化，噪声按标准差扫描。指标方向是误差越小越好，迭代数仅表示代价。
| 条件 | 场景 | 声速 | 惩罚参数 | 初始化与停止阈值 |
|---|---|---|---|---|
| 单目标收敛 | 目标在[130,70] 米 | 1500 m/s | ρp 为 10−7，ρt 为 10 | 按式 11 初始化，阈值为 10−3 |
| 随机位置鲁棒性 | 凸包周围盒内 100 个随机目标 | 1500 m/s | ρp 为 10−7，ρt 为 10 | 同上初始化，阈值为 10−4 |
| 集中式对照 | 同网络同噪声 | 1500 m/s | 不适用 | 质心与平均到达时间初始化 |
| 惩罚扫描 | 固定其一扫另一 | 1500 m/s | 一组固定 10−7 或 10 | 同分布式初始化 |
表后解释该配置表的价值是锁定可复现的运行点，单目标点用于看共识过程，100 点用于看远离接收器簇时代价上升，噪声扫描用于看阈值收紧以更多迭代换精度的权衡，惩罚扫描用于看过小振荡、过大变慢。代价是原文未给出随机目标盒的具体坐标范围与噪声扫描的重复次数，置信带的样本口径需查代码才能完全复现；未胜出项是宽松阈值在大噪声下已偏离集中式，在小噪声下提前停留形成高位平台，这是阈值本身的截断效应而非定位模型失效。
主结果：共识能否形成，精度趋势与代价是什么？
单目标实验报告各节点的估计逐步一致并收敛到公共解，代表性目标的估计位置在图上与真实位置几乎重合。随机 100 目标实验报告估计位置在采样区域内保持接近真值，远离接收器簇的目标所需迭代数增大，图中用圆半径表示迭代数。噪声扫描需分档叙述：两档严格阈值的分布式均方根误差与集中式基准和下界参考总体趋势一致，收紧停止阈值可提高精度但增加迭代数；宽松阈值曲线全程停留在高位平台，并未跟随下降。惩罚扫描报告小惩罚导致振荡或弱阻尼、大惩罚拖慢收敛，经验行为与平滑分析中惩罚角色定性一致，但理论界实践中可能保守。
下图为单目标代表实验的接收器几何导读：先区分图例符号，再看稀疏网络形状，最后判断真值与估计的重合程度。
看图路径： 1. 先按图例区分黑色三角接收器、蓝色圆点真实位置与红色星号估计位置；2. 再看灰色虚线通信链构成的稀疏八节点网络形状；3. 最后放大中部真实与估计点的重合程度，判断单次实验的位置偏差量级
论文图 4。原论文 Fig. 4:：“Receiver geometry and estimated target position in the representative single target experiment.”。
上图为单目标代表实验的接收器几何：8 个黑色三角由灰色虚线连成稀疏网络，中部蓝色圆点为真实位置，红色星号为估计位置，两者在该尺度下几乎重叠。横纵轴单位均为米，目标位于接收器簇内部偏右，说明该次为内包几何，结论不宜直接推广到全外包或遮挡情形。
下图导读先明确坐标含义与图例，再重点核对宽松阈值曲线是否跟随下降：横轴越向右噪声越小，纵轴向下为好，顶部水平线即为宽松阈值的异常平台。
看图路径： 1. 先确认横轴为测量噪声 1/σ2 的 dB 值、纵轴为标准差米且为对数刻度，向下为好；2. 再按图例区分顶部水平的绿色 DADMM 宽松阈值曲线与下方三条下降曲线及 CRLB；3. 最后对比左侧 60 dB 附近宽松曲线仍在高位平台、而两条严格阈值曲线贴近集中式与下界的现象
论文图 7。原论文 Fig. 7:：“RMSE comparison of the proposed DADMM estimator (with three sets of stopping thresholds \varepsilon_feas=\varepsilon_conv), the centralized solver, and the CRLB reference under…”。
上图横轴为 1/σ2 的 dB 值，越向右噪声越小，纵轴为位置标准差米，对数刻度，向下为好。像素显示顶部一条绿色水平曲线为 DADMM 宽松阈值 1.0e-03，全程停留在约 2 米高位平台，即使在左侧 60-62 dB 大噪声区也未与集中式和下界收敛；仅两条严格阈值曲线 DADMM1.0e-05 与 DADMM1.0e-04 延续下降并贴近集中式与 CRLB，其中 1.0e-04 在中段后出现平台，1.0e-05 全程跟随最好。阴影为集中式置信带，提示蒙特卡洛波动不可忽略。像素可辨的细节止于趋势与相对排序，不宜读出精确到小数后 2 位的数值。
下表把原文用文字报告的比较关系整理为可核对的策略对照，表中数值与单位均来自原文连续句，不另行计算差值。表前问题是：在相同网络与噪声下，可实际运行的分布式策略相对集中式与下界参考处于什么位置，收紧阈值与调整惩罚的代价是什么。公平条件是同图同噪声轴，分布式只比较原文实际跑过的三档阈值，集中式为 IPOPT 直接解，下界为引用的集中式参考。指标方向是标准差越小越好，迭代数与稳定性为代价。
| 条件 | 指标 | 分布式策略 | 集中式策略 | 比较对象 |
|---|---|---|---|---|
| 固定 ρp 为 10−7 扫 ρt | 发射时刻收敛 | 小惩罚振荡，大惩罚变慢 | 不适用 | 同方法不同 ρt |
| 固定 ρt 为 10 扫 ρp | 位置收敛 | 小惩罚弱阻尼，大惩罚变慢 | 不适用 | 同方法不同 ρp |
| 阈值收紧 | 精度与迭代 | 精度提高，迭代增多 | 精度随噪声下降 | 分布式自身三档比较 |
| 大噪声区 | 趋势 | 仅严格阈值跟随集中式与下界 | 跟随下界 | 宽松阈值除外 |
表后解释主要收益是分布式在无需融合中心与差分预处理的前提下，严格阈值趋势上可达到与集中式相当的精度，在小噪声区更贴近下界参考。代价有三：更严阈值意味着更多轮邻居通信；惩罚需手工调到中间区，过小可能在预算内无法共识；随机实验显示远目标迭代更多，说明几何条件直接转化为通信代价。未胜出项是宽松阈值 1.0e-03 在全噪声轴明显偏离下界，这不是模型精度上限，而是停止过早；原文也未报告每轮通信字节数与时钟时间，因此不能把迭代数直接等同于实际延迟改善或节能。
阈值与惩罚各自改变了什么，哪一档没有赢？
阈值消融的逻辑是固定模型与噪声，只改变何时停。修正后的读图结论是：左侧 60-62 dB 大噪声区并非 3 条分布式曲线都收敛，只有 DADMM1.0e-05 与 DADMM1.0e-04 贴近集中式与下界，DADMM1.0e-03 仍在约 2 米高位平台。大噪声端严格阈值之间差异小，因为此时噪声主导误差；小噪声端差异放大，宽松与次严阈值先后进入平台，只有最严阈值延续下降。操作含义是：若应用只要求米级且噪声大，可用较严而非最宽松阈值省通信；若要求厘米级且噪声小，必须收紧到 1.0e-05 量级。
惩罚消融的逻辑是固定其一、扫描另一。发射时刻收敛主要随 ρt 变化，位置收敛主要随 ρp 变化。小值对应弱惩罚，一致性约束拉力不足，曲线振荡或衰减慢；大值对应强惩罚，局部过于迁就上一轮共识，整体爬行变慢。原文未给出自动调参规则，也未报告跨噪声与跨几何的最优值是否迁移，因此复现时应先复用 ρp 为 10−7、ρt 为 10 的运行点，再在对数网格上小范围试探。
没有赢的一项值得单独记住：在全噪声轴宽松阈值 1.0e-03 没有赢过严格阈值与集中式，始终为顶部水平线；在迭代预算受限时过小惩罚也没有赢，可能根本无法在预算内达成共识。这两项负结果恰好说明分布式精度不是免费的，要么用阈值换迭代，要么用惩罚换稳定性。原文未评测的边界包括异步通信、丢包、时钟残差、声速失配与多目标混叠，这些都会改变上述权衡，待验证。
结论的边界：证明了什么，没有测什么？
论文直接报告的是仿真层面的有效性：共识可形成、多位置可用、严格阈值趋势与集中式和下界参考一致。有限解释是惩罚的经验作用与平滑分析定性一致，以及稠密图可能更快，但后者未定量证明。未验证的推测是把同一框架推广到滑动窗口估计等跟踪方法，原文只在未来工作提出方向，未给出实验。
缺失证据不是技术错误，但必须明确：收敛保证只针对平滑近似问题，不覆盖原始不可微目标；充分条件要求惩罚足够大，实践中用的小数值恰落在界外，说明理论保守而非实践违规。未测量的量包括误判率、每轮通信量、实际延迟、能耗与对模型失配的鲁棒性，因此不能承诺这些量得到改善。总体趋势不等于每组每步都成立，远目标、差几何与大噪声仍可能需要更多迭代或更好初值。相关性也不等于因果，分布式曲线贴近下界参考只说明在该设置下统计效率损失小，不证明分布式本身降低了下界。
复现先做什么，需要哪些超参数与信息条件？
复现第一步是按原文搭建八接收器稀疏图与 2 维场景，设声速为 1500 米每秒，惩罚取位置 10−7、时间 10，初始化按本地质心与反推时刻公式实现，边变量取两端平均、对偶置零。单目标先用位置[130,70] 米、噪声标准差 10−5 秒、阈值 10−3 跑通 3 阶段消息与终止判断，确认各节点估计汇合。第二步做 100 随机目标与噪声扫描，阈值分别取 10−3、10−4、10−5，集中式用 IPOPT 经 CasADi 以网络质心与平均到达时间初始化作为对照。
关键超参数是两类惩罚与两类阈值，信息条件是接收器位置已知、时钟同步、声速已知、单目标可区分。代码当前可用，已公开为开源软件，可核对数据流与停止条件实现；权重下载不适用，因为无学习权重；系统可运行指在仿真器内可跑通分布式循环，不代表水下实时部署已验证。还需补的验证是盒范围、随机种子、重复次数、通信量计时，以及声速误差与时钟漂移下的敏感性。若复现中出现差向量为零的退化质心，按原文用充分小偏移避开，并记录该处理对结果的影响。
何时值得尝试这种不做差分的分布式？
当系统已有同步接收器网络但不想设融合中心，又希望避免差分带来的配对通信与相关噪声时，值得尝试把发射时刻保留为显式未知量的做法。它的实质收益是数据对齐：每个节点只用本地到达时刻即可定义局部代价，一致性只在邻居间交换状态、边变量与对偶，局部每步有闭式解而无嵌套数值优化。适用条件是单目标或已按特征分离的多目标、目标不在接收器极小邻域内、几何不是严重病态。
不值得盲目套用的情形是异步严重、带宽极紧或需严格实时保证的场合，因为迭代数随距离、噪声与阈值变化，且原文未给出延迟与能耗实测。教学上易误解的三点需要纠正：其一，未做差分不等于信息变少，而是把消去的未知量换成联合估计；其二，无训练不等于确定性单步求解，仍是多轮迭代优化；其三，贴近下界参考不等于最优，只是在严格阈值与该仿真设置下趋势一致，宽松阈值反例提醒阈值选择决定能否复现该趋势。下一步验证应补失配鲁棒性与真实水声数据，再谈跟踪扩展。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses