[論文レビュー] Sensor Control for Multi-Object Tracking Using Labeled Multi-Bernoulli Filter

Amirali Khodadadian Gostar, Reza Hoseinnezhad+1 more|arXiv (Cornell University)|Feb 3, 2015

Target Tracking and Data Fusion in Sensor Networks被引用数 25

ひとこと要約

本稿では、状態推定誤差と基数誤差を同時に最小化するタスク駆動型コスト関数を用いて、ラベル付き多ベルヌーイ（LMB）フィルタを用いたマルチオブジェクト追跡のための新規センサ制御手法を提案する。この手法は、最大5つの急旋回するターゲットと高クラッター環境を含む困難なシナリオにおいて、既存のRFSベースの手法よりも優れた性能を示し、OSPA誤差が低くなる。

ABSTRACT

The recently developed labeled multi-Bernoulli (LMB) filter uses better approximations in its update step, compared to the unlabeled multi-Bernoulli filters, and more importantly, it provides us with not only the estimates for the number of targets and their states, but also with labels for existing tracks. This paper presents a novel sensor-control method to be used for optimal multi-target tracking within the LMB filter. The proposed method uses a task-driven cost function in which both the state estimation errors and cardinality estimation errors are taken into consideration. Simulation results demonstrate that the proposed method can successfully guide a mobile sensor in a challenging multi-target tracking scenario.

研究の動機と目的

• 未知かつ時間変動するターゲット数を伴うマルチターゲット追跡シナリオにおいて、モバイルセンサを最適に誘導するセンサ制御戦略の開発。
• 情報駆動型コスト関数の限界を克服するため、状態と基数の推定誤差を直接最小化するタスク駆動型アプローチの導入。
• ラベル付き多ベルヌーイ（LMB）フィルタがトラック値推定を提供できる能力を活用し、センサ制御性能の向上を図る。
• 高クラッターで動的な追跡環境において、既存のRFSベースの手法と比較してLMBベースのセンサ制御手法の優位性を実証する。

提案手法

• マルチターゲット追跡の基盤フレームワークとして、トラックラベルの付与と更新近似の改善を可能にするラベル付き多ベルヌーイ（LMB）フィルタを採用する。
• 先行研究[11]のタスク駆動型コスト関数を採用し、基数分散と状態推定誤差の統計的平均として定式化する。
• コスト関数にLMBフィルタのパラメータ（例：存在確率、状態分布、ラベル）を変数として取り入れ、センサ制御意思決定をガイドする。
• 予測事後分布に基づき、期待コストを最小化する制御命令を選択するセンサ制御アルゴリズムを実装する。
• 不完全に観測された状況下でのセンサ制御をモデル化するため、部分的に観測可能なマルコフ決定過程（POMDP）フレームワークを採用する。
• 200回のシミュレーション実行において、モンテカルロサンプリングとOSPA指標を用いて、5つのターゲットを含むシミュレーテッドマルチターゲット追跡シナリオでの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 状態と基数の推定誤差を同時に最小化するタスク駆動型コスト関数は、情報駆動型代替手法よりもマルチターゲットセンサ制御において優れた性能を発揮できるか？
• RQ2 ラベル付き多ベルヌーイ（LMB）フィルタを用いることで、ラベルなしまたは非ラベル付きフィルタと比較して、センサ制御性能はどの程度向上するか？
• RQ3 LMBフィルタの優れた更新近似は、高クラッター環境におけるセンサ制御精度をどの程度向上させるか？
• RQ4 提案されたセンサ制御手法は、時間経過に伴い複数の急旋回ターゲットを最適な可観測性を維持するようにモバイルセンサを効果的に誘導できるか？
• RQ5 複雑な追跡シナリオにおいて、LMBベースのセンサ制御手法はCB-MeMBerベースの手法よりもOSPA誤差をより効果的に低減できるか？

主な発見

• 提案されたLMBベースのセンサ制御手法は、特に不確実性が最も高い最初の20ステップにおいて、CB-MeMBer-PEECS手法と比較して顕著に低いOSPA誤差を達成した。
• LMB-PEECS手法における基数誤差と局所化誤差は、k=20以降、常に低く安定しており、局所化誤差は40 m未満、基数誤差は20未満を維持した。
• LMB-PEECS手法は、複雑な運動を示すターゲットや変動する誕生／消滅時刻を持つターゲットを含め、5つのターゲットすべてを効果的に追跡した。
• その改善は、LMBフィルタがより正確な更新近似を実現していることに起因し、ターゲット状態とトラック識別子をよりよく捉えている。
• センサはターゲットクラスタの方向へ効果的に移動し、その周辺に留まり続けた。これはコスト関数による効果的な誘導を裏付ける。
• 結果から、LMBフィルタにおけるトラックラベルの利用と推定精度の向上が、非ラベル付きフィルタでは達成できないセンサ制御の有用性を高めることを確認した。