[論文レビュー] Multi-Sensor Control for Multi-Target Tracking Using Cauchy-Schwarz Divergence

Meng Jiang, Wei Yi+1 more|arXiv (Cornell University)|Mar 28, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 13被引用数 24

ひとこと要約

本稿では、一般化ラベル付き多ベルヌーイ（GLMB）フレームワーク内でのコーシー＝シュバルツ（CS）距離を用いた、マルチターゲット追跡のための2つのマルチセンサ制御手法—連携意思決定（JDM）と独立意思決定（IDM）—を提案する。CS距離のGLMB密度に対する閉形式解と一般化共分散交差（GCI）融合を活用することで、JDMアプローチはグローバルな情報量を最適化するが、IDM手法は計算が軽く、部分最適な代替手段を提供する。シミュレーションでは、両手法ともランダム制御を上回ることを示し、複雑な状況下ではJDMが優れた追跡精度を達成する。

ABSTRACT

The paper addresses the problem of multi-sensor control for multi-target tracking via labelled random finite sets (RFS) in the sensor network systems. Based on an information theoretic divergence measure, namely Cauchy-Schwarz (CS) divergence which admits a closed form solution for GLMB densities, we propose two novel multi-sensor control approaches in the framework of generalized Covariance Intersection (GCI). The first joint decision making (JDM) method is optimal and can achieve overall good performance, while the second independent decision making (IDM) method is suboptimal as a fast realization with smaller amount of computations. Simulation in challenging situation is presented to verify the effectiveness of the two proposed approaches.

研究の動機と目的

• 通信および計算制約下で、限られたセンサが複数のターゲットを追跡する必要があるセンサネットワークにおけるマルチセンサ制御の課題に対処すること。
• マルチターゲット追跡における従来の情報理論的指標（KL距離やRényi距離など）の高い計算コストを克服すること。
• GLMB密度におけるCS距離の閉形式解を活用することで、融合されたマルチターゲット推定における情報量を最大化するスケーラブルで情報に基づくセンサ制御フレームワークを構築すること。
• リアルタイム適用が可能な複雑な追跡環境において、最適（JDM）および高速部分最適（IDM）な制御戦略を提供すること。
• ラベル付き確率有限集合（RFS）とGLMBフィルタリングを用いることで、ターゲットの軌道とラベル管理を原理的かつ整合的に処理すること。

提案手法

• 局所的なマルチターゲット追跡に一般化ラベル付き多ベルヌーイ（GLMB）フィルタを採用し、状態とラベルの同時推定を閉形式更新で実現する。
• 融合後のマルチターゲット事後密度の情報量を測定するため、情報理論的報酬関数としてコーシー＝シュバルツ（CS）距離を用いる。
• 局所的センサ推定値を統合する際、情報量を保持し、一貫性のあるマルチセンサ統合を可能にするために一般化共分散交差（GCI）を適用する。
• 有限の計画期間内でのモンテカルロサンプリングを用い、将来のセンサ行動に関する期待CS距離の最適化としてセンサ制御問題を定式化する。
• 2つの意思決定戦略を実装する：JDMは全センサの行動を連携して最適化しグローバルな情報量を最大化するが、IDMは各センサごとに独立して行動を選択することで計算負荷を低減する。
• 4ターゲット、2センサ、距離および角度依存のノイズを持つ測距測方位センサ、距離に応じて減少する検出確率を有するシミュレーションモデルを用い、性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 GLMBモデルを用いたマルチセンサ制御において、コーシー＝シュバルツ距離を報酬関数として効果的に用いることができるか？
• RQ2 CS距離に基づく連携意思決定（JDM）は、独立意思決定（IDM）と比較して、マルチセンサシステムにおける情報量と追跡性能をどのように向上させるか？
• RQ3 複雑なマルチターゲット追跡シナリオにおいて、提案されたCS距離ベースの制御は、ランダム制御戦略をどの程度上回るか？
• RQ4 最適なJDMと部分最適なIDMの間で、計算コストと追跡精度のトレードオフはどのようなものか？
• RQ5 GCI統合とCS距離の組み合わせにより、ラベル付きマルチターゲット動的特性を有する大規模センサネットワークにおいて、スケーラブルで情報最大化の制御が可能になるか？

主な発見

• 連携意思決定（JDM）アルゴリズムは、シミュレーションによるOSPA誤差の低さから、ランダム制御およびIDM手法よりも優れた追跡性能を達成する。
• IDMアルゴリズムは計算負荷を著しく低減しながらも、ランダム制御を上回る性能を示しており、中程度の精度要件を満たすリアルタイムアプリケーションに適している。
• 2番目の意思決定時刻（20秒）において、JDM手法はIDMよりも高いCS距離値を示し、より優れたグローバル情報量の獲得と、ターゲットへのより協調的なセンサ移動を示している。
• 両手法ともセンサをターゲットに向かって誘導するが、JDMはより協調的かつ包括的な行動選択を示しており、例として20秒におけるJDMの$(-60^ ext{°}, 30^ ext{°})$とIDMの$(-30^ ext{°}, 0^ ext{°})$の選択が顕著である。
• ターゲットやセンサがより多い複雑なシナリオでは、JDMとIDMの性能差が拡大するが、ランダム制御は追跡精度を維持できなくなる。
• 100回のモンテカルロランの平均結果から、両手法がランダム制御を一貫して上回ることを確認し、CS距離ベースの制御フレームワークの有効性を裏付けた。