[論文レビュー] A drift homotopy Monte Carlo approach to particle filtering for multi-target tracking

Vasileios Maroulas, Panagiotis Stinis|arXiv (Cornell University)|Jun 15, 2010

Target Tracking and Data Fusion in Sensor Networks参考文献 17被引用数 5

ひとこと要約

本稿では、確率的微分方程式（SDE）の経路サンプリングを通じてパーティクルリサンプリングを改善することにより、マルチターゲット追跡のためのパーティクルフィルタを向上させるためのドリフトホモトピー・モンテカルロ（DHMC）手法を提案する。SDEのドリフトを単純な形から元の形へ段階的に変形することで、観測と整合する高確率の条件付き経路を生成し、パーティクルを観測に近づける。この手法により、線形および非線形の観測モデルの両方において、標準のパーティクルフィルタに比べて精度と有効サンプルサイズが著しく向上する。

ABSTRACT

We present a novel approach for improving particle filters for multi-target tracking. The suggested approach is based on drift homotopy for stochastic differential equations. Drift homotopy is used to design a Markov Chain Monte Carlo step which is appended to the particle filter and aims to bring the particle filter samples closer to the observations. Also, we present a simple Metropolis Monte Carlo algorithm for tackling the target-observation association problem. We have used the proposed approach on the problem of multi-target tracking for both linear and nonlinear observation models. The numerical results show that the suggested approach can improve significantly the performance of a particle filter.

研究の動機と目的

• パーティクルフィルタにおけるパーティクルの劣化問題に取り組むこと、特に大多数のパーティクルが無視できる重みを受ける状況を想定する。
• SDEの条件付き経路をサンプリングするMCMCステップを導入することで、パーティクルフィルタの性能を向上させ、パーティクルを観測に近づけること。
• 複雑なドリフトを有するSDEにおいて、高確率の経路を効率的にサンプリングするためのドリフトホモトピー枠組みを開発すること。
• マルチターゲット追跡におけるターゲット-観測関連付け問題を効率的に解くために、メトロポリス・モンテカルロアルゴリズムを設計すること。
• 特に高次元または誤解を招く観測条件下でも、本手法の頑健性と効率性を実証すること。

提案手法

• 簡略化されたドリフト（より簡単にサンプリング可能な）から元のドリフト（目的のSDE）へ滑らかに変形するSDEの系列を、ドリフトホモトピーを用いて構築する。
• 各SDEに対してマルコフ連鎖モンテカルロ（MCMC）サンプリングを適用し、直前のSDEの最良経路から初期化することで、有効な経路を段階的に元のSDEに変形する。
• パーティクルフィルタのリサンプリングの後にMCMCサンプリングステップを追加し、パーティクルを事後密度の高い領域に再配置することで、重みの分布を改善する。
• 組み合わせ的爆発を回避するため、ターゲット-観測関連付けを確率的に探索するメトロポリス・モンテカルロアルゴリズムを統合する。
• 標準のパーティクルフィルタリングと組み合わせ、重要度サンプリングとリサンプリングを用いてパーティクルの多様性と正確性を維持する、DHMCに基づくリサンプリングステップを実装する。
• 条件付き経路サンプリングを用いて、観測モデルが非線形（例：方位角と距離）であっても、パーティクルの位置を観測に合わせて補正する。

実験結果

リサーチクエスチョン

• RQ1 ドリフトホモトピーを用いることで、ドリフトが複雑または非線形であっても、マルチターゲット追跡におけるSDEの条件付き経路を効率的にサンプリングできるか？
• RQ2 ドリフトホモトピーMCMCステップを組み込むことで、高次元または非線形の観測モデルにおいて、標準のリサンプリングに比べてパーティクルフィルタの性能がどの程度向上するか？
• RQ3 長期追跡シナリオにおいて、提案手法が有効サンプルサイズを維持し、RMS誤差をどの程度低減できるか？
• RQ4 複雑な組み合わせ最適化を必要とせず、単純なメトロポリス・モンテカルロアルゴリズムがマルチターゲット追跡におけるターゲット-観測関連付け問題を効果的に解けるか？
• RQ5 DHMCパーティクルフィルタの計算コストは標準のパーティクルフィルタと比べてどの程度で、性能の向上がそのオーバーヘッドを補って十分か？

主な発見

• DHMCパーティクルフィルタでは、全追跡期間を通じてターゲット1つあたりの平均RMS誤差が約22（標準偏差21）にまで低下したのに対し、汎用パーティクルフィルタでは760にとどまった。
• DHMCパーティクルフィルタの有効サンプルサイズは、全サンプル数の約25％で安定したが、汎用パーティクルフィルタでは重みの劣化により約60ステップ目で1にまで低下した。
• 非線形観測モデルでは、汎用パーティクルフィルタが60ステップ目以降にターゲットを正確に追跡できず、観測重みが数値的にゼロに近づき、正規化が不可能になった。
• DHMCパーティクルフィルタは、ターゲットが10^3オーダーの位置に達しても、非線形観測（方位角と距離）がカルテシアン空間で極めて誤解を招く状況でも安定した性能を維持した。
• DHMC手法の計算オーバーヘッドは非常に小さく、汎用パーティクルフィルタの数個分の追加サンプルに相当したため、実用的な向上手段となった。
• ドリフトホモトピーMCMCとメトロポリス関連付けアルゴリズムの組み合わせは、線形および非線形の観測モデルの両方において、標準のパーティクルフィルタリングを著しく上回った。特に困難な追跡条件下でも顕著な優位性を示した。