[論文レビュー] Consensus Labeled Random Finite Set Filtering for Distributed Multi-Object Tracking

Claudio Fantacci, Ba‐Ngu Vo+3 more|arXiv (Cornell University)|Jan 7, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 36被引用数 54

ひとこと要約

本稿では、ラベル付き確率有限集合（RFS）とカッホルン・レーベル（Kullback-Leibler）平均を用いて、頑健でスケーラブルかつ完全に分散型の推定を実現する、2つの新しいコンSENSUSベースの分散マルチオブジェクトトラッキングフィルタ—Consensus Marginalized δ-Generalized Labeled Multi-Bernoulli（Mδ-GLMB）およびConsensus Labeled Multi-Bernoulli（LMB）—を提案する。この手法により、'不気味な効果'（spooky effect）を回避し、融合において代数的閉包性を保証することができ、センサーネットワークにおける正確で分散型のマルチオブジェクトトラッキングを実現する。

ABSTRACT

This paper addresses distributed multi-object tracking over a network of heterogeneous and geographically dispersed nodes with sensing, communication and processing capabilities. The main contribution is an approach to distributed multi-object estimation based on labeled Random Finite Sets (RFSs) and dynamic Bayesian inference, which enables the development of two novel consensus tracking filters, namely a Consensus Marginalized $δ$-Generalized Labeled Multi-Bernoulli and Consensus Labeled Multi-Bernoulli tracking filter. The proposed algorithms provide fully distributed, scalable and computationally efficient solutions for multi-object tracking. Simulation experiments via Gaussian mixture implementations confirm the effectiveness of the proposed approach on challenging scenarios.

研究の動機と目的

• 既存の分散マルチオブジェクトトラッキング（DMOT）手法には、トラジェクトリ推定が欠如しており、情報の二重計上（double-counting）の問題を抱えるという限界があることに対処すること。
• 異種で地理的に分散したセンサーネットワークにおける、完全に分散型でスケーラブルかつ計算効率の良いマルチオブジェクトトラッキングアルゴリズムの開発。
• ラベル付き確率有限集合（RFS）を活用することで、トラックレベルの推定を可能にし、ラベルなしRFSフィルタで一般的に見られる'不気味な効果'を回避すること。
• Kullback-Leibler平均を用いることで、不確実性下でも融合の頑健性を確保し、データインセスト（data incest）および二重計上に対して本質的に耐性を持つこと。
• K-L平均化下でのMδ-GLMBおよびLMB密度の代数的閉包性を確立し、一貫性のあるコンセンサスベースの融合を可能にすること。

提案手法

• オブジェクトのトラジェクトリを一意な識別子で表現するラベル付きRFSを用いてマルチオブジェクトトラッキング問題を定式化し、トラックレベルの推定を可能にする。
• ラベル付きRFSフィルタリングのための実用的近似として、マージナライズド δ-Generalized Labeled Multi-Bernoulli（Mδ-GLMB）およびLabeled Multi-Bernoulli（LMB）フィルタを適用する。
• ネットワーク全体でローカルなマルチオブジェクト密度を統合するための融合ルールとして、Kullback-Leibler（K-L）平均を採用し、情報の二重計上に対する頑健性を確保する。
• Mδ-GLMBおよびLMB密度のK-L平均の閉形式表現を導出し、融合における代数的閉包性を証明する。
• 2つのコンセンサスベースのDMOTフィルタ—Consensus Mδ-GLMBおよびConsensus LMB—を提案し、中央集約ノードが不要な反復的かつ分散型の推定を可能にする。
• 後方密度の近似にガウス混合実装を用い、困難なトラッキングシナリオにおけるアルゴリズムの妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きRFSに基づくフィルタは、コンセンサス融合を用いた分散マルチオブジェクトトラッキングに適応可能であり、トラジェクトリ推定を維持できるか？
• RQ2 Kullback-Leibler平均化は、コンセンサス融合下でMδ-GLMBおよびLMB密度に対して代数的閉包性を保証するか？
• RQ3 提案されたコンセンサスフィルタは、中央集約ノードが存在しない状況でも、正確でスケーラブルかつ計算効率の良いマルチオブジェクトトラッキングを達成できるか？
• RQ4 本手法は、分散マルチオブジェクトトラッキングにおける'不気味な効果'およびデータインセストをどのように軽減するか？
• RQ5 高クラッターおよび検出不確実性を伴う複雑なシナリオにおけるコンセンサスフィルタの性能はいかがなものか？

主な発見

• Mδ-GLMBおよびLMB密度は、Kullback-Leibler平均化において代数的閉包性を示し、一貫性があり実用的なコンセンサス融合を可能にする。
• 提案されたConsensus Mδ-GLMBおよびConsensus LMBフィルタは、ラベルなしRFSフィルタに見られる'不気味な効果'を回避し、正確なトラジェクトリ推定を実現する。
• コンセンサスフィルタは完全に分散型であり、スケーラブルであり、ネットワークトポロジーの知識や中央集約ノードを必要としない。
• ガウス混合実装を用いたシミュレーション結果により、高クラッターおよび誤検出を伴う困難なマルチオブジェクトトラッキングシナリオにおいて、提案手法の有効性が確認された。
• K-L平均化融合ルールにより、情報の二重計上に対する頑健性が確保され、ネットワークの不確実性や障害に対しても耐性を持つ。
• 提案されたフレームワークにより、大規模かつ分散型のセンサーネットワークにおける信頼性が高く、スケーラブルでトラックに配慮したマルチオブジェクトトラッキングが実現可能となった。