[論文レビュー] Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors

Minzhe Li, Zhongliang Jing|arXiv (Cornell University)|Jul 6, 2018

Target Tracking and Data Fusion in Sensor Networks参考文献 6被引用数 5

ひとこと要約

本論文は、ラベル付き確率的有限集合（RFS）を用いた一般化ベイズリスクに基づき、レーダーとESMセンサーを統合した、複数標的の同時検出・追跡・分類（JDTC）フレームワークを提案する。条件付きラベル付き多ベルヌーイフィルタを用いて、検出・追跡・分類のコストを統合的に最小化することで、タスク間の相関関係を明示的にモデル化し、シミュレーションにおいて従来のETDおよびDTE手法を上回る優れた性能を達成した。分類の明確な意思決定と高い精度を実現した。

ABSTRACT

In this paper, a novel approach is proposed for multi-target joint detection, tracking and classification based on the labeled random finite set and generalized Bayesian risk using Radar and ESM sensors. A new Bayesian risk is defined for the labeled random finite set variables involving the costs of multi-target cardinality estimation (detection), state estimation (tracking) and classification. The inter-dependence of detection, tracking and classification is then utilized with the minimum Bayesian risk. Furthermore, the conditional labeled multi-Bernoulli filter is developed to calculate the estimates and costs for different hypotheses and decisions of target classes using attribute and dynamical measurements. Moreover, the performance is analyzed. The effectiveness and superiority of the proposed approach are verified using numerical simulations.

研究の動機と目的

• 航空監視システムにおける複数標的の検出・追跡・分類の相互依存性を解消すること。
• 検出・追跡・分類を独立したプロセスとして扱う従来の二段階手法（ETDおよびDTE）の限界を克服すること。
• 標的数、状態、分類の推定コストを統合的に組み込んだ、全体のベイズリスクを最小化する統合的推定・意思決定フレームワークの構築。
• 再帰的ベイズ推論を用いて、正確な状態推定を維持しつつ、明示的かつリアルタイムな標的分類意思決定を可能にすること。
• クラスに依存する成分を用いた近似により、多標的密度の計算複雑度を低減すること。

提案手法

• 多標的の標的数推定（検出）、状態推定（追跡）、分類のコストを統合した、ラベル付きRFSを用いた新しい一般化ベイズリスクを定式化。
• 運動学的および属性観測を用いて、異なる仮説下での事後状態推定と分類確率を計算するための条件付きラベル付き多ベルヌーイ（CJDE-LMB）フィルタを構築。
• ベイズ再帰を用いて多標的事後密度を更新し、測定-標的-関連（MTA）を明示的に扱い、統合されたベイズリスクを最小化。
• 効率的な再帰的計算を可能にするために、ガウス混合近似を用いてアルゴリズムを実装。
• 検出・追跡・分類のコストをバランスさせるための重み係数（α, β, γ）を導入し、運用上の優先順位に応じた調整を可能に。
• 検出・追跡・分類の各タスク全体の性能を評価するため、連携性能指標（JPM）を適用。

実験結果

リサーチクエスチョン

• RQ1 レーダーとESMセンサーを用いた複数標的状況において、検出・追跡・分類をどのように統合的に最適化できるか？
• RQ2 検出・追跡・分類の間の相互依存関係をモデル化することで、全体のシステム性能にどのような影響を与えるか？
• RQ3 異なるコスト係数（α, β, γ）が、検出精度、追跡精度、分類信頼性のトレードオフに与える影響は何か？
• RQ4 統合的ベイズリスクフレームワークは、従来の二段階手法（ETDおよびDTE）を上回る性能を発揮できるか？
• RQ5 確率的分類推論と比較して、明示的な分類意思決定は性能にどの程度向上効果をもたらすか？

主な発見

• 提案されたCJDE-LMBアルゴリズムは、OSPA距離が低く抑えられ、連携性能指標（JPM）が向上したことで、ETDおよびYW-JDTC手法に比べて複数標的の検出・追跡・分類において優れた性能を達成した。
• 検出コスト係数γを100に設定した場合、急旋回時でさえすべての標的が正しく検出されたが、γ = 10では誤検出の罰則が不十分で、見逃し検出が生じた。
• γ = 10の条件下では、誤った検出が原因で追跡および分類性能が著しく低下した。これは、正確な追跡および分類の前提として検出が不可欠であることを確認した。
• 本手法は、YW-JDTCが分類確率のみを出力するのに対し、明示的な分類意思決定を提供するため、解釈可能性と意思決定の有用性が向上した。
• ガウス混合実装により、再帰的計算が効率化され、計算複雑度を低減しながらも高い精度を維持した。
• シミュレーション結果は、一般化ベイズリスクを用いて検出・追跡・分類の相互依存関係を考慮することで、全体のシステム性能が向上することを検証した。