[論文レビュー] Distributed Computation Particle PHD filter

Junjie Wang, Lingling Zhao+2 more|arXiv (Cornell University)|Mar 9, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 3被引用数 3

ひとこと要約

本稿では、複数の処理要素（PE）に粒子を分割することで、中央集権型粒子PHDフィルタの計算負荷を低減しつつも、精度を維持する分散計算粒子PHD（DCPPHD）フィルタを提案する。各PEは全測定値を用いて局所的な粒子PHDフィルタを実行し、中央ユニットと粒子を交換する。中央ユニットは融合ルールを用いて推定値を統合し、中央集権型粒子PHDフィルタに比べて顕著な高速化を達成したが、追跡性能は同等であった。

ABSTRACT

Particle probability hypothesis density filtering has become a promising means for multi-target tracking due to its capability of handling an unknown and time-varying number of targets in non-linear non-Gaussian system. However, its computational complexity grows linearly with the number of measurements and particles assigned to each target, and this can be very time consuming especially when numerous targets and clutter exist in the surveillance region. Addressing this issue, we present a distributed computation particle PHD filter for target tracking. Its framework consists of several local particle PHD filters at each processing element and a central unit. Each processing element takes responsibility for part particles but full measurements and provides local estimates; central unit controls particle exchange between processing elements and specifies a fusion rule to match and fuse the estimates from different local filters. The proposed framework is suitable for parallel implementation and maintains the tracking accuracy. Simulations verify the proposed method can provide comparative accuracy as well as a significant speedup with the standard particle PHD filter.

研究の動機と目的

• 非線形的かつ非ガウス的で、雑音が強い環境下における中央集権型粒子PHDフィルタの高い計算複雑性に対処すること。
• 複数の処理要素に粒子計算を分散させることで、リアルタイムでの複数ターゲット追跡を可能にすること。
• 実行時間の効率性を向上させつつ、標準の粒子PHDフィルタと同等の追跡精度を維持すること。
• センサーネットワークやハイパフォーマンスコンピューティングに適したスケーラブルなフレームワークを構築すること。

提案手法

• フレームワークは、N個の粒子をP個の処理要素（PE）に分散し、各PEが利用可能な全測定値を用いて独立した局所的な粒子PHDフィルタを実行する。
• 各PEは割り当てられた粒子に基づいて局所推定値を計算し、中央ユニット（CU）に送信する。
• 中央ユニットはPE間の粒子交換を管理し、融合ルールを用いて局所推定値を一致・統合してグローバル推定値を生成する。
• STPHD法を用いて状態推定値と測定ラベルを抽出することで、推定精度を向上させる。
• 粒子交換メカニズムにより、各PEの粒子数が限られる状況での性能劣化を防止する。
• 予測ステップと更新ステップには、SMC（逐次モンテカルロ）サンプリングとPHD再帰を活用する。

実験結果

リサーチクエスチョン

• RQ1 分散アーキテクチャは、追跡精度を劣化させることなく、粒子PHDフィルタの計算負荷を低減できるか？
• RQ2 複数のPEに粒子を分散させることで、複数ターゲット追跡における推定性能と収束性にどのような影響を与えるか？
• RQ3 PE間の粒子交換が、分散環境下での推定精度を維持するために果たす影響は何か？
• RQ4 同じ粒子数を用いた場合、提案手法は中央集権型粒子PHDフィルタに比べて顕著な高速化を達成できるか？

主な発見

• 同じ合計粒子数（2000）を用いた場合、DCPPHDフィルタは中央集権型粒子PHDフィルタ（17.65s）と比較して平均実行時間を50％削減（8.63s）した。
• DCPPHDの平均OSPA距離は3.0732であり、中央集権型粒子PHDフィルタ（3.0577）とほぼ同等で、追跡精度が同等であることが示された。
• 各PEあたりの粒子数を1/5（500 vs. 400）にした場合でも、DCPPHDはPEあたり1/40,000粒子の中央集権型フィルタと同等のOSPA性能を達成した。これは、高い効率性を示している。
• 推定ターゲット数は一貫して安定しており、50スキャンにわたり真の軌道とよく一致した。
• フレームワークはスケーラブルであり、最適な水準を超えて処理グループ数を増加させると性能劣化が観察された。