[論文レビュー] Distributed Fusion of Labeled Multi-Object Densities Via Label Spaces Matching

Bailu Wang, Wei Yi+3 more|arXiv (Cornell University)|Mar 28, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 12被引用数 3

ひとこと要約

本稿では、ラベル空間の不一致（LS-DM）を解消する2段階の分散融合手法GCI-LSMを提案する。まず、情報発散基準に基づくランク付き割り当て問題（LS-M）を用いてラベル空間を一致させ、次に一般化共分散交差（GCI）融合を適用する。センサー間でラベル付けが一貫しない状況、特に目標の誕生・消滅を伴う状況において、直接融合より著しく優れたトラッキング性能を達成する。

ABSTRACT

In this paper, we address the problem of the distributed multi-target tracking with labeled set filters in the framework of Generalized Covariance Intersection (GCI). Our analyses show that the label space mismatching (LS-DM) phenomenon, which means the same realization drawn from label spaces of different sensors does not have the same implication, is quite common in practical scenarios and may bring serious problems. Our contributions are two-fold. Firstly, we provide a principled mathematical definition of "label spaces matching (LS-DM)" based on information divergence, which is also referred to as LS-M criterion. Then, to handle the LS-DM, we propose a novel two-step distributed fusion algorithm, named as GCI fusion via label spaces matching (GCI-LSM). The first step is to match the label spaces from different sensors. To this end, we build a ranked assignment problem and design a cost function consistent with LS-M criterion to seek the optimal solution of matching correspondence between label spaces of different sensors. The second step is to perform the GCI fusion on the matched label space. We also derive the GCI fusion with generic labeled multi-object (LMO) densities based on LS-M, which is the foundation of labeled distributed fusion algorithms. Simulation results for Gaussian mixture implementation highlight the performance of the proposed GCI-LSM algorithm in two different tracking scenarios.

研究の動機と目的

• 異なるセンサーのラベル空間における同一実現が不一致な意味を持つ、分散多目標追跡におけるラベル空間不一致（LS-DM）という重要な問題に対処すること。
• 情報発散に基づく、ラベル空間マッチング（LS-M）の原理的数学的定義を提示し、マッチング品質の形式的基準を提供すること。
• まずセンサー間のラベル空間を整列させ、次にその整列済み空間上でGCI融合を実行する、堅牢な2段階の融合フレームワークを開発すること。
• LS-M基準の下でラベル付き多目標（LMO）密度に対する一般化GCI融合ルールを導出することにより、さまざまなLMOフィルタへの広範な適用可能性を実現すること。
• 特に目標の誕生・消滅を伴う状況において、ラベル不一致を伴う直接融合法よりも優れた性能を示す、提案手法の優位性を実証すること。

提案手法

• 情報発散に基づく原理的LS-M基準を提案し、2つのラベル空間がどれほど一致しているかを定義する。
• ラベル空間マッチングをランク付き割り当て問題としてモデル化し、LS-M基準から導かれるコスト関数を用いて、センサー間の最適なラベル対応を特定する。
• 実用的な実装において、LS-Mコスト関数を効率的に計算し、割り当て問題を解くためにガウス混合表現を用いる。
• 整列済みラベル空間上で一般化共分散交差（GCI）融合を適用し、相関が未知であっても堅牢な融合を保証する。
• LS-M仮定の下で、一般なLMO密度に対する一般化GCI融合ルールを理論的に導出する。これにより、アルゴリズムの理論的基盤を構築する。
• 動的目標出現に対応するため、適応的誕生モデルと対象誕生に関する事前情報を利用し、性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 分散多目標追跡において、ラベル空間不一致（LS-DM）を形式的かつ定量的に定義・測定することは可能か？
• RQ2 2つのラベル空間が一致していると見なせる、原理的で情報理論的基準は何か？
• RQ3 ラベル空間が不一致している状況で、センサー間の最適なラベル対応をどのように特定できるか？
• RQ4 LS-DMを解消した後、GCI融合をラベル付き多目標密度に効果的に適用できるか？
• RQ5 目標の誕生・消滅を伴う状況において、提案されたGCI-LSMアルゴリズムは直接融合法に比べてどのように性能を発揮するか？

主な発見

• GCI-LSMアルゴリズムは、目標の誕生・消滅を伴う状況において、ラベル空間不一致がトラックの完全な喪失を引き起こすため、直接GCI-LMB融合よりも著しく優れた性能を示す。
• PBPシナリオでは、GCI-LSMはすべての目標を正確に追跡するが、GCI-LMB融合はラベル不一致のため第二のトラックを融合できず失敗する。
• 5目標シナリオでは、GCI-LSMは収束後、GCI-GMB融合とほぼ同等のOSPA性能を達成し、ラベルマッチング段階の近似的最適性を示している。
• 目標誕生段階ではGCI-LSMの性能がGCI-GMB融合よりわずかに劣るが、これは全結合マッチングではなく単一最適割り当てを用いているためであり、これによりランク付き割り当てモデルの正確性が裏付けられる。
• OSPA誤差および基数推定の両面で、GCI-LSMおよびGCI-GMB融合はGCI-PHD融合を上回る性能を発揮しており、ラベル付き密度の利点が顕著に示されている。
• シミュレーション結果から、LS-DMの解消が、特に頻繁な目標生成・終了を伴う動的環境における、堅牢な分散多目標追跡にとって不可欠であることが確認された。