[論文レビュー] Online Target Localization using Adaptive Belief Propagation in the HMM Framework

Min-Won Seo, Solmaz S. Kia|arXiv (Cornell University)|Mar 8, 2022

Indoor and Outdoor Localization Technologies参考文献 31被引用数 11

ひとこと要約

本稿では、超高帯域（UWB）センサーを用いた効率的でオンライン対応のターゲット局所化を可能にする、隠れマルコフモデル（HMM）フレームワーク内での適応的信念拡散手法を提案する。階層的でk-dツリーに類似したグリッド精錬戦略を活用することで、高分解能状態空間における計算コストとメモリ使用量を削減しつつ、ガウス分布の仮定や線形化を必要とせず、高い精度を維持する。本手法は、メモリ使用量を最大99%削減し、リアルタイム追跡シナリオにおける処理速度を著しく向上する。

ABSTRACT

This paper proposes a novel adaptive sample space-based Viterbi algorithm for target localization in an online manner. The method relies on discretizing the target's motion space into cells representing a finite number of hidden states. Then, the most probable trajectory of the tracked target is computed via dynamic programming in a Hidden Markov Model (HMM) framework. The proposed method uses a Bayesian estimation framework which is neither limited to Gaussian noise models nor requires a linearized target motion model or sensor measurement models. However, an HMM-based approach to localization can suffer from poor computational complexity in scenarios where the number of hidden states increases due to high-resolution modeling or target localization in a large space. To improve this poor computational complexity, this paper proposes a belief propagation in the most probable belief space with a low to high-resolution sequentially, reducing the required resources significantly. The proposed method is inspired by the k-d Tree algorithm (e.g., quadtree) commonly used in the computer vision field. Experimental tests using an ultra-wideband (UWB) sensor network demonstrate our results.

研究の動機と目的

• 大規模または高分解能状態空間における従来のHMMベースのターゲット局所化の高い計算コストとメモリ使用量を低減すること。
• ガウスノイズモデルや線形化された運動・観測モデルに依存せずに、UWBセンサーネットワークを用いたオンライン・リアルタイムターゲット局所化を可能にすること。
• 最も確信度の高い信念領域でのみ分解能を動的に精錬する、スケーラブルで適応的なサンプリング戦略を開発すること。
• 視線遮断（NLoS）状態や信号遮断が生じる困難な屋内環境における耐障害性を向上させること。

提案手法

• 2次元運動空間をグリッドセルに分割し、隠れ状態を表す離散的状態HMMフレームワークを採用する。
• ガウス分布の仮定や線形化を一切行わないベイズ推定アプローチを採用し、非線形運動およびセンサ動態の柔軟なモデル化を可能にする。
• 動的計画法を用いて状態空間上で最大後確信度（MAP）推定を実行するため、ビタビアルゴリズムを適用する。
• 四分木に類似した階層的グリッド構造を用いた適応的信念拡散を導入し、低分解能グリッドから開始し、尤度が高い領域でのみ精錬を行う。
• 信念拡散に応じてサンプル空間の分解能を動的に調整し、各時刻における処理対象状態数を削減する。
• 遷移確率P(xt|xt−1)と観測確率P(ot|xt)を組み合わせた再帰的ベイズ推論フレームワークを用いて信念を更新する。

実験結果

リサーチクエスチョン

• RQ1 HMMベースの局所化フレームワークは、ガウスノイズ仮定や線形化モデルを仮定しない状況でも高い精度を達成できるか？
• RQ2 高分解能量子化に起因する隠れ状態数の増加に伴い、HMMベースのオンライン局所化における計算コストとメモリ使用量をどのように低減できるか？
• RQ3 信念拡散に基づく階層的で適応的なサンプリング戦略は、リソース使用量を顕著に削減しながらも、局所化精度を維持できるか？
• RQ4 本手法は、屋内UWB信号の劣化、例えばNLoS状態や信号遮断が生じる状況下でも効果的に機能するか？

主な発見

• 最初の実験では、従来のビタビ法と比較して、提案手法の適応的HMMが、メモリ使用量を93%（7.78Mから544Kセル）削減し、計算時間を99.7%（2433秒から5.95秒）削減した。
• 2番目のシナリオでは、適応的HMMが平均ループクロージャーエラー（LCE）0.26mを達成し、PF（0.51m）、EKF（1.08m）、E-RTS（0.67m）を上回り、信号バイアスや遮断状態下でも耐障害性を示した。
• 最初のシナリオでは、位置のRMSEが0.56mに留まり、従来のビタビ法（0.49m）と比較してわずか0.07mの増加に抑えられ、リソース削減の影響を最小限に抑えた。
• 信号断続（例：27–29.5秒および49–54秒）時においても、適応的HMMは高い精度を維持し、他の手法と比較してRMSEの上昇が僅かであった。
• 障害物に起因するバイアスのあるUWB測定値に対しても、適応的HMMはトライ lateration法やパーティクルフィルタ法を上回る優れた性能を示した。
• 本手法は大規模な屋内環境でもスケーラビリティと効率性を示し、最小限の計算リソースでリアルタイムのオンライン局所化を実現した。