[논문 리뷰] Consensus Labeled Random Finite Set Filtering for Distributed Multi-Object Tracking

Claudio Fantacci, Ba‐Ngu Vo외 3명|arXiv (Cornell University)|2015. 01. 07.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 36인용 수 54

한 줄 요약

이 논문은 레이블이 부여된 무작위 유 finit 집합(RFS)과 클로이블러-라이블러(Kullback-Leibler) 평균을 사용하여, 강건하고 확장 가능하며 완전히 분산된 추정을 위한 두 가지 새로운 공감 기반 분산 다중 목적 추적 필터—공감 마진화된 δ-일반화된 레이블이 부여된 다중 베르누이(Mδ-GLMB) 및 공감 레이블이 부여된 다중 베르누이(LMB)—를 제안한다. 이 방법은 '공포의 효과(spooky effect)'를 피하고 융합에 대해 대수적 닫힘을 보장함으로써 센서 네트워크에서 정확하고 탈중앙화된 다중 목적 추적을 실현한다.

ABSTRACT

This paper addresses distributed multi-object tracking over a network of heterogeneous and geographically dispersed nodes with sensing, communication and processing capabilities. The main contribution is an approach to distributed multi-object estimation based on labeled Random Finite Sets (RFSs) and dynamic Bayesian inference, which enables the development of two novel consensus tracking filters, namely a Consensus Marginalized $δ$-Generalized Labeled Multi-Bernoulli and Consensus Labeled Multi-Bernoulli tracking filter. The proposed algorithms provide fully distributed, scalable and computationally efficient solutions for multi-object tracking. Simulation experiments via Gaussian mixture implementations confirm the effectiveness of the proposed approach on challenging scenarios.

연구 동기 및 목표

• 기존의 분산 다중 목적 추적(DMOT) 방법이 궤적 추정 기능이 부족하고 정보 중복 계산 문제를 야기한다는 점을 해결하기 위해.
• 이질적이고 지리적으로 산재한 센서 네트워크에서 다중 목적 추적을 위한 완전히 분산되고 확장 가능하며 계산적으로 효율적인 알고리즘을 개발하기 위해.
• 레이블이 부여된 무작위 유한 집합(RFS)을 활용하여 트랙 수준의 추정을 가능하게 하고, 레이블이 없는 RFS 필터에서 흔히 발생하는 '공포의 효과'를 방지하기 위해.
• 클로이블러-라이블러 평균을 사용하여 불확실성 하에서 융합의 강건성을 확보함으로써 데이터 친척(data incest) 및 중복 계산 문제에 내재적으로 저항하도록 하기 위해.
• K-L 평균 하에서 Mδ-GLMB 및 LMB 밀도의 대수적 닫힘을 확립함으로써 일관된 공감 기반 융합을 가능하게 하기 위해.

제안 방법

• 객체 궤적을 고유 식별자로 표현하는 레이블이 부여된 RFS를 사용하여 다중 목적 추적 문제를 수립함으로써 트랙 수준의 추정을 가능하게 한다.
• 레이블이 부여된 RFS 필터링을 위한 실용적인 근사로 마진화된 δ-일반화된 레이블이 부여된 다중 베르누이(Mδ-GLMB) 및 레이블이 부여된 다중 베르누이(LMB) 필터를 적용한다.
• 로컬 다중 목적 밀도를 네트워크 전반에서 융합하기 위해 클로이블러-라이블러(K-L) 평균을 융합 규칙으로 사용함으로써 정보 중복 계산에 대한 강건성을 확보한다.
• Mδ-GLMB 및 LMB 밀도의 K-L 평균에 대해 폐쇄형 표현식을 유도하여 융합 하에서의 대수적 닫힘을 증명한다.
• 중앙 융합 노드가 필요 없는 반복적이고 분산된 추정을 가능하게 하는 두 가지 공감 기반 DMOT 필터—공감 Mδ-GLMB 및 공감 LMB—를 개발한다.
• 후행 밀도를 근사하기 위해 가우시안 믹스처 구현을 사용하고, 도전적인 추적 시나리오에서 알고리즘의 유효성을 검증한다.

실험 결과

연구 질문

• RQ1 레이블이 부여된 RFS 기반 필터는 공감 융합을 통한 분산 다중 목적 추적에 적응 가능할 수 있으며, 궤적 추정 기능을 유지할 수 있는가?
• RQ2 클로이블러-라이블러 평균은 공감 융합 하에서 Mδ-GLMB 및 LMB 밀도에 대해 대수적 닫힘을 보장하는가?
• RQ3 제안된 공감 필터는 중앙 융합 센터 없이 정확하고 확장 가능하며 계산적으로 효율적인 다중 목적 추적을 달성할 수 있는가?
• RQ4 제안된 방법은 분산 다중 목적 추적에서 '공포의 효과'와 데이터 친척 문제를 어떻게 완화하는가?
• RQ5 고잡음 및 탐지 불확실성이 높은 복잡한 시나리오에서 공감 필터의 성능은 어떠한가?

주요 결과

• Mδ-GLMB 및 LMB 밀도는 클로이블러-라이블러 평균 하에서 대수적으로 닫혀져 있어 일관되고 실용적인 공감 융합을 가능하게 한다.
• 제안된 공감 Mδ-GLMB 및 공감 LMB 필터는 레이블이 없는 RFS 필터에서 흔히 발생하는 '공포의 효과' 없이 정확한 궤적 추정을 달성한다.
• 공감 필터는 완전히 분산되어 있으며 확장 가능하며 네트워크 구조나 중앙 융합 노드의 지식이 필요로 하지 않는다.
• 고잡음 및 실수 탐지 상황에서의 도전적인 다중 목적 추적 시나리오에서 가우시안 믹스처 구현을 통한 시뮬레이션 결과는 제안된 필터의 효과성을 확인한다.
• K-L 평균 융합 규칙는 정보 중복 계산에 대한 강건성을 확보하여 네트워크 불확실성과 장애에 대해 저항력 있는 성능을 제공한다.
• 제안된 프레임워크는 대규모 탈중앙화 센서 네트워크에서 신뢰성 있고 확장 가능하며 트랙 인식이 가능한 다중 목적 추적을 실현한다.