[論文レビュー] Single-cluster PHD filter methods for joint multi-object filtering and parameter estimation

Isabel Schlangen, Daniel E. Clark+1 more|arXiv (Cornell University)|May 15, 2017

Target Tracking and Data Fusion in Sensor Networks被引用数 5

ひとこと要約

本稿では、点過程モデルを用いて、センサーキャリブレーションやロボットの局所化といった未知パラメータを含めた多対象状態を統合的に推定する、単一クラスタのPHDおよびCPHDフィルタリングフレームワークを提案する。ポisson、パニエル、およびi.i.d.クラスタ過程に基づく尤度関数を用いてパラメータ推定をフィルタリングプロセスに統合することで、分離推定手法と比較して精度が向上し、系統的誤差が低減される。

ABSTRACT

Many multi-object estimation problems require additional estimation of model or sensor parameters that are either common to all objects or related to unknown characterisation of one or more sensors. Important examples of these include registration of multiple sensors, estimating clutter profiles, and robot localisation. Often these parameters are estimated separately to the multi-object estimation process, which can lead to systematic errors or overconfidence in the estimates. These parameters can be estimated jointly with the multi-object process based only on the sensor data using a single-cluster point process model. This paper presents novel results for joint parameter estimation and multi-object filtering based on a single-cluster second-order Probability Hypothesis Density (PHD) and Cardinalised PHD (CPHD) filter. Experiments provide a comparison between the discussed approaches using different likelihood functions.

研究の動機と目的

• 多対象状態とセンサーやモデルパラメータの分離推定に起因する系統的誤差および過信の問題を解消すること。
• 単一クラスタの点過程モデルを用いて、多対象状態と共通パラメータを統合的に推定するフィルタリングフレームワークの構築。
• 異なる確率的仮定（ポアソン、パニエル、i.i.d.クラスタ）を用いたPHD、2次モーメントPHD、およびCPHDフィルタの性能を、統合推定の文脈で比較すること。
• 提案手法の有効性を、最先端のRFSベースのSLAM定式化と比較するシミュレーションによる検証。

提案手法

• ターゲットとクラッターを共有パラメータを持つ確率的有限集合としてモデル化する2段階の階層的点過程モデルを採用する。
• 多対象事後分布の1次および2次モーメントを伝搬するために、確率的仮説密度（PHD）および基数付きPHD（CPHD）フィルタを適用する。
• ターゲットおよびクラッター分布をモデル化するため、ポアソン、負の二項分布（パニエル）、およびi.i.d.クラスタ過程に基づく一般化尤度関数を用いる。
• 確率生成関数型（PGFL）を用いて、異なる過程仮定下での多対象尤度関数の閉形式表現を導出する。
• 各パーティクルが未知パラメータの仮説を表し、それに付随する多対象統計量（強度、分散、基数分布）を持つパーティクルフィルタフレームワークを実装する。
• 有効サンプルサイズのしきい値を用いたリサンプリングにより、パーティクルの多様性を維持し、長期的なシーケンスにおける劣化を防ぐ。

実験結果

リサーチクエスチョン

• RQ1 多対象状態と未知パラメータの統合推定は、逐次推定と比較してどの程度推定精度を向上させるか？
• RQ2 ターゲットおよびクラッター過程を異なる確率的仮定（ポアソン、パニエル、i.i.d.クラスタ）でモデル化した場合、PHD、2次モーメントPHD、およびCPHDフィルタの性能にどのような差が生じるか？
• RQ3 明示的なランドマークモデルなしに、単一クラスタPHDフレームワークはセンサーキャリブレーションおよびSLAMのためのパラメータ推定を効果的に処理できるか？
• RQ4 ポアソン、パニエル、i.i.d.クラスタに基づく尤度関数は、推定精度およびロバストネスの観点でどのように比較できるか？
• RQ5 ターゲットおよびクラッター過程を独立分布（例えば、二項分布、ポアソン、負の二項分布）でモデル化した場合、統合推定性能にどのような影響を与えるか？

主な発見

• 提案された統合推定フレームワークは、オブジェクト状態と同時にパラメータを一貫して学習するため、分離推定と比較して系統的誤差と過信が低減される。
• パニエル過程に基づく2次モーメントPHDフィルタは、ターゲット過程の強度と分散の両方をモデル化できるため、標準PHDおよびCPHDフィルターよりも高い精度を達成する。
• i.i.d.クラスタ過程を用いたCPHDフィルタは、高クラッター環境および低検出率下でも基数推定において他の手法を上回る性能を示す。
• シミュレーション結果から、提案手法は明示的なランドマーク表現を避ける一方で、最先端のRFSベースのSLAM定式化と同等の推定精度を達成している。
• ポアソン、パニエル、i.i.d.クラスタに基づく異なる尤度関数の使用は、性能のトレードオフをもたらすが、テストされたシナリオではパニエルベース尤度が精度とロバストネスのバランスが最良である。
• 有効サンプルサイズに基づくリサンプリングを用いたパーティクルフィルタ実装は、長期的なシーケンスにおいても安定した性能を維持し、パーティクルの劣化を防止する。