[論文レビュー] Multi-Object Tracking with Multiple Birth, Death, and Spawn Scenarios Using A Randomized Hypothesis Generation Technique (R-FISST)

W. Faber, Suman Chakravorty+1 more|arXiv (Cornell University)|Mar 24, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用数 5

ひとこと要約

本稿では、複数の出生、死、スパwnイベントを伴う複雑な状況下でも計算的に扱えるマルチオブジェクト追跡を可能にする、有限集合統計（FISST）に基づく確率的仮説生成手法R-FISSTを提案する。仮説レベルでのマルコフ連鎖モンテカルロ（MCMC）サンプリングを用いることで、全組み合わせの列挙を避けながら高確率な構成を効率的に探索し、数十億もの潜在的仮説が存在する宇宙環境状況把握（SSA）シミュレーションにおいて、スパwnされたオブジェクトを正しく追跡するとともに、オブジェクトの死を正しく予測することができた。

ABSTRACT

In multi-object tracking one may encounter situations were at any time step the number of possible hypotheses is too large to generate exhaustively. These situations generally occur when there are multiple ambiguous measurement returns that can be associated to many objects. This paper contains a newly developed approach that keeps the aforementioned situations computationally tractable. Utilizing a hypothesis level derivation of the Finite Set Statistics (FISST) Bayesian recursions for multi-object tracking we are able to propose a randomized method called randomized FISST (R-FISST). Like our previous methods, this approach utilizes Markov Chain Monte Carlo (MCMC) methods to sample highly probable hypotheses, however, the newly developed (R-FISST) can account for hypotheses containing multiple births and death within the MCMC sampling. This alleviates the burden of having to exhaustively enumerate all birth and death hypotheses and makes the method more equipped to handle spawn scenarios. We test our method on Space Situational Awareness (SSA) scenarios with spawn events.

研究の動機と目的

• 曖昧な測定がもたらす仮説の爆発的増加によりマルチオブジェクト追跡が計算的に非効率的になる問題に対処すること。特に、複数の出生、死、スパwnイベントが同時に発生する状況を想定する。
• 出生および死の仮説を全列挙する必要があった従来のFISSTに基づく追跡手法のスケーラビリティの制限を克服すること。
• 高確率な仮説のみをサンプリングする確率的でMCMCに基づく手法を開発し、計算負荷を低減しながらも精度を維持すること。
• オブジェクト数が動的に変化し、測定の曖昧性が高い宇宙環境状況把握（SSA）において、スパwnイベントの正確な検出と追跡を可能にすること。
• 本手法が、複雑な追跡シナリオにおいて、新たなオブジェクトの出現と元のオブジェクトの消失を正しく予測できる能力を示すこと。

提案手法

• 本手法は、FISSTのベイズ再帰式を仮説レベルで導出し、マルチオブジェクト追跡問題を仮説空間上の離散状態フィルタリング問題として扱う。
• 高確率な仮説の空間を探索するためにマルコフ連鎖モンテカルロ（MCMC）サンプリングを用い、全可能な出生・死の構成を列挙する必要を回避する。
• マルチオブジェクト事後分布を、各仮説が異なるオブジェクト数に対応する複数のマルチターゲット確率密度関数（MT-pdf）の重み付き混合分布としてモデル化する。
• 出生および死のプロセスはマルチベルヌーイ過程としてモデル化され、測定から導かれる尤度に基づいて仮説の重みを動的に調整する。
• 仮説受容の調整にユーザー定義パラメータαとβを導入し、測定数対オブジェクト数の比に基づいてシミュレーションでヒューリスティックを用いてそれらを動的に調整する。
• 単一および複数のオブジェクトスパwnを含むSSAシナリオを用いて実験を行い、膨大な仮説数の条件下でも安定性を示した。

実験結果

リサーチクエスチョン

• RQ1 全仮説の列挙を伴わずに、複数の出生・死を伴うマルチオブジェクト追跡を確率的仮説生成手法が効果的に処理できるか。
• RQ2 高不確実性および膨大な数の潜在的仮説が存在する状況下で、仮説レベルでのMCMCサンプリングが計算的扱いやすさをどのように向上させるか。
• RQ3 複雑なSSAシナリオにおいて、本手法がスパwnイベントを正確に検出し、元のオブジェクトの死を正しく予測できるか。
• RQ4 曖昧な測定により仮説の数が数十億に達する状況下でも、本手法が精度を維持できる程度はどの程度か。
• RQ5 動的スパwnシナリオにおいて、性能を向上させるためにパラメータαとβをどのように適応的にチューニングできるか。

主な発見

• 単一オブジェクトのSSAシナリオにおいて、スパwnイベントが発生した場合、R-FISSTはすべてのスパwnされたオブジェクトを正しく追跡し、センサーの視野に進入した際に新たに形成されたオブジェクトの状態を正確に推定した。
• 20オブジェクトのSSAシナリオでは、1つの親オブジェクトから複数の新規オブジェクトが生成されたことを正しく予測し、追跡プロセス全体を通じてトップ仮説におけるオブジェクト数を正しく維持した。
• 元のオブジェクトの死を正しく同定し、存在しないエンティティを誤って追跡するのを防ぎ、仮説の整合性を保つ上で極めて重要である。
• スパwnイベント中には、可能な仮説数が数十億に達した。これは全列挙が非現実的であることを確認し、確率的アプローチの必要性を裏付けた。
• シミュレーション結果から、R-FISSTは膨大な仮説空間の拡大に対しても高い精度を維持できることを示し、その計算的扱いやすさを検証した。
• αとβの値を適応的に調整するためのヒューリスティックの使用により、動的シナリオにおける性能が向上したが、オンラインチューニングは今後の研究課題である。