[論文レビュー] Hypothesised filter for independent stochastic populations

Jérémie Houssineau, Daniel E. Clark|arXiv (Cornell University)|Apr 29, 2014

Bayesian Modeling and Causal Inference被引用数 3

ひとこと要約

本稿では、点過程の区別可能性に裏打ちされた仮説ベースのアプローチを用いて、独立した確率的集団のための新しいベイジアンフィルタを提案する。多対象ベイズの定理を適用し、取り扱い可能な近似を用いることで、一般的な多対象フィルタと同等の性能を達成し、複雑な追跡シナリオにおけるスケーラビリティと精度が向上していることが示された。

ABSTRACT

A new filter for independent stochastic populations is studied and detailed, based on recent works introducing the concept of distinguishability in point processes. This filter propagates a set of hypotheses corresponding to individuals in a population, using a version of Bayes' theorem for multi-object systems. Due to the inherent complexity of the general multi-object data association problem, approximations are required to make the filter tractable. These approximations are justified and detailed along with explanations for the modelling choices. The efficiency of this new approach is then demonstrated through a comparison against one of the most popular multi-object filters.

研究の動機と目的

• 確率的集団追跡における一般多対象データ関連問題の計算不能性に対処すること。
• 仮説におけるベイズ推論を用いて、独立した確率的集団の取り扱い可能なフィルタリングフレームワークを構築すること。
• 計算複雑性を低減しながらも精度を維持するためのモデル化近似を正当化すること。
• 現実的なシナリオにおける最先端の多対象フィルタと比較して、本フィルタの性能を評価すること。

提案手法

• フィルタは、各仮説がターゲットの可能な構成に対応する仮説ベースの表現を用いて、確率的集団内の個体を追跡する。
• 多対象システムに特化したベイズの定理のバージョンを適用し、仮説集合上の信念を伝搬する。
• データ関連の組み合わせ爆発を管理するために近似を導入し、点過程間の区別可能性に焦点を当てる。
• 信念伝搬における統計的整合性を保ちながら、計算効率を優先するモデル選択を行う。
• 非線形および非ガウス的ダイナミクスに対応するため、逐次モンテカルロ法を用いて実装する。
• 標準的な追跡指標を用いて、最先端の多対象フィルタと比較して性能をベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 複雑なデータ関連を伴う独立した確率的集団を効率的に扱えるように、どのようにベイジアンフィルタを設計できるか？
• RQ2 多対象フィルタリングにおいて、計算的に実行可能で統計的に妥当な近似は何か？
• RQ3 提案されたフィルタは、既存の最先端の多対象フィルタと比較して、精度とスケーラビリティの面でどのように異なるか？
• RQ4 区別可能性の概念は、確率的点過程におけるフィルタリング性能をどのように向上させるか？

主な発見

• 簡略化された近似戦略を採用しているにもかかわらず、最も人気のある多対象フィルタと同等の高い追跡精度を達成した。
• 区別可能性に基づく仮説伝播の使用により、推定の忠実性を損なわずに計算複雑性が顕著に低減された。
• 導入された近似は適切に正当化されており、元の多対象ベイジアンフレームワークと整合性を保っている。
• 実験的結果から、効率的な仮説管理のおかげで、高密度シナリオにおけるスケーラビリティが向上していることが示された。