[論文レビュー] Graphical model approximations of random finite set filters

Jason Williams|arXiv (Cornell University)|May 17, 2011

Target Tracking and Data Fusion in Sensor Networks参考文献 45被引用数 7

ひとこと要約

本稿では、データ連携を統合した計算的に tractable なランダム有限集合（RFS）フィルタを提案する。MorelandeとChalla（M-C）のような先行手法の計算コストの高さを克服し、Belief Propagation（BP）を用いて局所的連携重みを推定し、ネットワークフロー最適化によりトラックの合体問題を解消する。Belief Propagation Marginal Track Filter（BPMTF）は、未検出のターゲットにポアソン点過程（PPP）を、追跡中のターゲットにマルチ・ベルヌーイ成分を組み合わせることで、ターゲットの再利用と大規模トラッキングシステムにおけるスケーラビリティの向上を実現する。

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. Comparably, RFS methods that incorporate data association, such as Morelande and Challa's (M-C) method, have received little attention. This paper provides a RFS algorithm that incorporates data association similarly to the M-C method, but retains computational tractability via a recently developed approximation of marginal association weights. We describe an efficient method for resolving the track coalescence phenomenon which is problematic for joint probabilistic data association (JPDA) and related methods (including M-C). The method utilises a network flow optimisation, and thus is tractable for large numbers of targets. Finally, our derivation also shows that it is natural for the multi-target density to incorporate both a Poisson point process (PPP) component (representing targets that have never been detected) and a multi-Bernoulli component (representing targets under track). We describe a method of recycling, in which tracks with a low probability existence are transferred from the multi-Bernoulli component to the PPP component, effectively yielding a hybrid of M-C and PHD.

研究の動機と目的

• 既存の手法（M-Cなど）が局所的連携確率の計算コストが高いために不適切であるという問題を克服し、データ連携を組み込んだ計算的に tractable なRFSフィルタを開発すること。
• JPDAやM-Cスタイルのフィルタで一般的に見られるトラックの合体問題を、効率的なネットワークフロー最適化により効果的に緩和すること。
• マルチターゲットフィルタリングにおける2つの補完的表現を統合すること：未検出ターゲットのためのポアソン点過程（PPP）と、追跡中のターゲットのためのマルチ・ベルヌーイ成分。
• 低存在確率のトラックをマルチ・ベルヌーイ成分からPPP成分に移行させるターゲットの再利用を導入し、1次モーメントの正確性と計算効率を維持すること。
• Belief Propagationを複数スキャンに拡張し、多次元割り当て（MDA）の複雑さを避けることなく、履歴データにおけるソフトな局所的連携を可能にすること。

提案手法

• RFS仮定の下で、ターゲットの誕生、生存、運動、検出、誤検出を含む、完全なベイズマルチターゲットフィルタリング方程式を導出する。
• ループ付きBelief Propagation（LBP）を用いた最近開発された高品質な局所的連携重みの近似法を適用し、完全な結合連携を避けても計算が tractable な推論を可能にする。
• トラックの合体問題を解消するためのネットワークフロー最適化法を導入し、局所的確率と1次モーメントの一貫性を保ちながら、関連付けを再割り当てする。
• 状態空間のグリッドベースの離散化を用いて未検出ターゲットのPPP成分を表現し、すべての可能な未検出ターゲットを追跡しなくても、ターゲット密度の計算を効率的に行う。
• ターゲットの再利用を提案：低存在確率のトラックをマルチ・ベルヌーイ成分からPPP成分に移行させることで、分布の1次モーメントを維持する。
• 複数スキャン用の拡張版（MSBPF）を構築し、LBPを用いて複数スキャンの局所的連携確率を計算することで、MAPベースのMDAの計算負荷を回避する。

実験結果

リサーチクエスチョン

• RQ1 データ連携をRFSに基づくマルチターゲットフィルタリングに効率的に統合することは可能か？ その際、計算の tractability を維持できるか？
• RQ2 JPDAやM-Cスタイルのフィルタで一般的に見られるトラックの合体問題は、大規模トラッキング環境において効果的に緩和可能か？
• RQ3 未検出ターゲットのためのポアソン点過程（PPP）と、追跡中のターゲットのためのマルチ・ベルヌーイ成分を、1つのフィルタリングフレームワーク内で自然に統合可能か？
• RQ4 低信頼度のトラックをPPP成分に移行させるターゲットの再利用は、マルチターゲット分布の1次モーメントを保持し、フィルタリング効率を向上させることができるか？
• RQ5 Belief Propagationを複数スキャン連携に拡張することで、特にソフト連携フレームワークにおいて、単一スキャン手法に比べて有意義な性能向上が得られるか？

主な発見

• 提案されたBelief Propagation Marginal Track Filter（BPMTF）は、LBP近似を用いて局所的連携重みを推定することで、計算の tractability を維持しながら、データ連携をRFSフィルタリングに効果的に統合した。
• ネットワークフローに基づく合体回避アルゴリズムは、各トラックの存在確率を保持し、再割り当て後も分布の1次モーメントの一貫性を確保する。
• ターゲットの再利用により、低信頼度のトラックをマルチ・ベルヌーイ成分からPPP成分に移行させることで、1次モーメントの正確性を損なわず、長期的なトラッキング安定性が向上した。
• 本手法は自然にハイブリッド表現をサポートする：高信頼度のトラックにはマルチ・ベルヌーイ成分、未検出または一時的なターゲットにはPPP成分を用いる。
• 複数スキャンBPフィルタ（MSBPF）は、複数スキャンの局所的連携確率を効率的に計算でき、MDAの複雑さを避けるソフト連携の代替手段として、低コストな実装を可能にした。
• 理論的分析により、真の分布と近似分布のKLダイバージェンスが、独立な部分成分ごとのダイバージェンスの和で有界であることが確認され、近似フレームワークの妥当性が裏付けられた。