[論文レビュー] Alternative multi-Bernoulli filters (extended version)

Jason Williams|arXiv (Cornell University)|Mar 14, 2012

Target Tracking and Data Fusion in Sensor Networks被引用数 4

ひとこと要約

本稿では、データ関連付けをマルチ・ベルヌーイフィルタに統合することで、従来の確率的有限集合（RFS）フィルタの計算的扱いやすさの代替手段を提案する。これは、周辺関連確率の高品質な近似を用いることで実現される。マージナルトラックフィルタ（MTF）と修正された MeMBer フィルタを導入し、コalescence 問題を解消するとともに、困難なマルチターゲット追跡シナリオにおいて優れた性能を示す。

ABSTRACT

Random finite sets (RFSs) has been a fruitful area of research in recent years, yielding new approximate filters such as the probability hypothesis density (PHD), cardinalised PHD (CPHD), and multiple target multi-Bernoulli (MeMBer). These new methods have largely been based on approximations that side-step the need for measurement-to-track association in order to maintain tractability. Due to their relative intractability, methods that incorporate data association have received little attention. This paper provides a RFS algorithm that incorporates data association, but retains computational tractability via a recently developed, high quality approximation of marginal association probabilities. A derivation of the full Bayes RFS filter is provided, demonstrating a conjugate prior for commonly invoked assumptions. Different approximations are applied in order to obtain tractable algorithms, which maintain a multi-Bernoulli representation. The methods proposed include the marginal track filter (MTF), which is a natural extension of the joint target detection and tracking (JoTT) filter to multiple targets, and a variant of the MeMBer filter which retains its structure, but utilises the approximate marginal association weights. A solution to the coalescence issues of the MTF is proposed, and promising performance is demonstrated in a challenging scenario. This extended version incorporates proofs of two results not included in the main paper due to space limitations.

研究の動機と目的

• 完全ベイズ型マルチターゲットフィルタの計算的扱いやすさを確保しつつ、データ関連付けを統合したRFSフィルタの開発。
• マルチターゲットを処理できる能力を保ちつつ、マージナルトラックフィルタ（MTF）に内在するコalescence 問題を解消すること。
• MeMBer フィルタを、そのコア構造を変更せずに近似周辺関連重みを統合することで拡張すること。
• 標準的な仮定の下で共役事前分布フレームワークを確立し、マルチターゲット追跡における解析的扱いやすさを実現すること。
• 従来のRFSフィルタがデータ関連付けを欠如させることで困難をきたす、複雑な追跡シナリオにおける性能向上を示すこと。

提案手法

• 一般的な仮定の下で共役事前分布を用いて完全ベイズ型RFSフィルタを導出することで、解析的扱いやすさを実現する。
• 最近開発された周辺関連確率の高品質な近似を適用し、計算の実行可能性を維持する。
• 複数ターゲットへの自然な拡張として、連合ターゲット検出と追跡（JoTT）フィルタを拡張したマージナルトラックフィルタ（MTF）を提案する。
• 構造は保持しつつ、近似周辺関連重みを統合したMeMBerフィルタの変種を開発する。
• トラック管理と関連付け論理の精緻化を通じて、MTFにおけるコalescence 問題の解決策を提示する。
• マルチ・ベルヌーイ表現を全プロセスにわたって用いることで、マルチターゲット環境における効率的計算とスケーラビリティを確保する。

実験結果

リサーチクエスチョン

• RQ1 計算的扱いやすさを損なわせることなく、マルチ・ベルヌーイRFSフィルタにデータ関連付けを効果的に統合できるか？
• RQ2 マージナルトラックフィルタ（MTF）に内在するコalescence 問題を、マルチターゲット追跡能力を保持したまま解消できるか？
• RQ3 近似周辺関連確率を用いることで、複雑なシナリオにおける追跡精度と安定性にどのような影響を与えるか？
• RQ4 提案されたMTFは、既存のMeMBer型およびPHD型フィルタと比較して、性能と頑健性において優れているか？
• RQ5 標準的な仮定の下で、マルチ・ベルヌーイフィルタに共役事前分布フレームワークを確立できるか、これにより解析的フィルタリングが可能になるか？

主な発見

• コalescence 問題の解消を施した提案されたMTFは、標準的なMeMBerおよびPHDフィルタと比較して、困難なマルチターゲット追跡シナリオにおいて優れた性能を発揮する。
• 近似周辺関連確率の統合により、マルチ・ベルヌーイフィルタにおいてデータ関連付けを実現しつつ、計算的扱いやすさを維持できる。
• 近似関連重みを統合した修正されたMeMBerフィルタは、元の構造を保持しつつ、より良い関連付け処理により追跡精度が向上する。
• 標準的な仮定の下で導出された共役事前分布フレームワークにより、完全ベイズ型RFSフィルタの解析的導出が可能となり、理論的基盤が強化される。
• 拡張版には、本論文の主要内容に含まれていない2つの重要な結果の証明が含まれており、提案手法の理論的基盤をさらに強化している。