[論文レビュー] DeepDA: LSTM-based Deep Data Association Network for Multi-Targets Tracking in Clutter

Huajun Liu, Hui Zhang+1 more|arXiv (Cornell University)|Jul 16, 2019

Target Tracking and Data Fusion in Sensor Networks参考文献 37被引用数 8

ひとこと要約

DeepDAは、雑音の多いレーダデータから手作業で作成したモデルや事前知識に依存せずに、直接測定値からトラックへの関連確率を学習するLSTMベースの深層学習フレームワークを提案する。BPTTおよびRMSpropを用いて訓練され、古典的手法と比較して関連精度が向上し、IDスイッチングが減少し、計算コストも低減される。

ABSTRACT

The Long Short-Term Memory (LSTM) neural network based data association algorithm named as DeepDA for multi-target tracking in clutters is proposed to deal with the NP-hard combinatorial optimization problem in this paper. Different from the classical data association methods involving complex models and accurate prior knowledge on clutter density, filter covariance or associated gating etc, data-driven deep learning methods have been extensively researched for this topic. Firstly, data association mathematical problem for multitarget tracking on unknown target number, missed detection and clutter, which is beyond one-to-one mapping between observations and targets is redefined formally. Subsequently, an LSTM network is designed to learn the measurement-to-track association probability from radar noisy measurements and exist tracks. Moreover, an LSTM-based data-driven deep neural network after a supervised training through the BPTT and RMSprop optimization method can get the association probability directly. Experimental results on simulated data show a significant performance on association ratio, target ID switching and time-consuming for tracking multiple targets even they are crossing each other in the complicated clutter environment.

研究の動機と目的

• 雑音、欠測、未知のターゲット数を伴う状況下におけるマルチターゲットトラッキングのNP困難な組み合わせ最適化問題に対処すること。
• クラッタ密度、フィルターキャリブレーション、ゲーティングしきい値などの複雑なモデルや事前仮定への依存を排除すること。
• ノイズの多い測定値と既存のトラックから直接関連確率を学習するデータ駆動型アプローチの開発。
• ターゲットの交差や高クラッタ環境のような困難な状況下でのトラッキング精度と効率の向上。

提案手法

• LSTMネットワークを用いてマルチターゲットトラッキングのデータ関連問題を時系列モデリングタスクに再定式化する。
• レーダ観測とトラック履歴から測定値-トラック関連確率を予測するLSTMベースの深層ニューラルネットワークを設計する。
• シミュレーテッドデータ上で教師あり学習を実施するため、バックプロパゲーションスルータイム（BPTT）とRMSpropを採用する。
• 測定値とトラック状態の系列を入力として、ターゲット運動および観測パターンの時間的依存性をモデル化する。
• 明示的なゲーティングやフィルタリングのヒューリスティクスを用いずに、生の入力から関連確率へのエンドツーエンドマッピングを学習する。
• データ関連を時系列予測問題として扱い、ノイズや隠蔽に強く対応できる。

実験結果

リサーチクエスチョン

• RQ1 事前仮定を一切用いずに、エンドツーエンドの深層学習モデルが雑音の多いマルチターゲットトラッキングにおけるデータ関連を効果的に学習できるか。
• RQ2 LSTMベースのアプローチは、古典的手法（フィルタリングや組み合わせ最適化）と比較して、関連精度およびIDスイッチングの観点でどのように優れているか。
• RQ3 データ駆動型モデルは、高クラッタ環境下でも頑健性を保ちつつ、計算オーバーヘッドをどの程度低減できるか。
• RQ4 LSTMによる時系列モデリングは、ターゲットが交差する、または断続的に検出される状況でトラッキング性能を向上させられるか。

主な発見

• DeepDAは、高クラッタ環境下でも従来手法と比較して顕著に高い関連比を達成する。
• LSTMメモリセルによる長期的な時間的依存性の学習により、ターゲットのIDスイッチングが低減される。
• 全検索による探索を避ける直接予測により、組み合わせ最適化アプローチと比較して計算時間が著しく短縮される。
• ターゲットの交差や断続的検出が発生しても性能が安定し、シミュレーテッドレーダデータ上での汎化能力が顕著に高い。