[논문 리뷰] Distributed Fusion of Labeled Multi-Object Densities Via Label Spaces Matching

Bailu Wang, Wei Yi외 3명|arXiv (Cornell University)|2016. 03. 28.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 12인용 수 3

한 줄 요약

이 논문은 라벨 공간 불일치 문제(LS-DM)를 해결하기 위해 라벨 공간을 일치시키는 데 정보 발산 기준 기반의 순위 매겨진 할당 문제를 사용한 후 일반화 공분산 교차(GCI) 융합을 적용하는 이단계 분산 융합 알고리즘인 GCI-LSM을 제안한다. 센서 간 라벨이 일관되지 않을 경우 직접 융합보다 훨씬 뛰어난 추적 성능을 보이며, 특히 목표의 출현과 퇠퇴가 발생하는 상황에서 유의미한 성능 향상을 이룬다.

ABSTRACT

In this paper, we address the problem of the distributed multi-target tracking with labeled set filters in the framework of Generalized Covariance Intersection (GCI). Our analyses show that the label space mismatching (LS-DM) phenomenon, which means the same realization drawn from label spaces of different sensors does not have the same implication, is quite common in practical scenarios and may bring serious problems. Our contributions are two-fold. Firstly, we provide a principled mathematical definition of "label spaces matching (LS-DM)" based on information divergence, which is also referred to as LS-M criterion. Then, to handle the LS-DM, we propose a novel two-step distributed fusion algorithm, named as GCI fusion via label spaces matching (GCI-LSM). The first step is to match the label spaces from different sensors. To this end, we build a ranked assignment problem and design a cost function consistent with LS-M criterion to seek the optimal solution of matching correspondence between label spaces of different sensors. The second step is to perform the GCI fusion on the matched label space. We also derive the GCI fusion with generic labeled multi-object (LMO) densities based on LS-M, which is the foundation of labeled distributed fusion algorithms. Simulation results for Gaussian mixture implementation highlight the performance of the proposed GCI-LSM algorithm in two different tracking scenarios.

연구 동기 및 목표

• 다른 센서의 라벨 공간에서 유사한 실현값이 서로 다른 의미를 가질 수 있는 분산 다중목표 추적에서 라벨 공간 불일치 문제(LS-DM)를 해결하기 위해.
• 정보 발산 기반의 수학적 정의를 통해 라벨 공간 매칭(LS-M)을 정의함으로써 매칭 품질에 대한 공식 기준을 제공하기 위해.
• 라벨 공간을 먼저 정렬하고 나서 매칭된 공간에서 GCI 융합을 수행하는 강력한 이단계 융합 프레임워크를 개발하기 위해.
• LS-M 기준 하에 일반화된 GCI 융합 규칙를 유도하여 다양한 LMO 필터에 광범위하게 적용 가능한 이론적 기반을 마련하기 위해.
• 목표의 출현과 퇠퇴가 발생하는 상황에서 라벨 불일치가 있는 직접 융합 방법에 비해 제안된 방법의 우수성을 입증하기 위해.

제안 방법

• 정보 발산 기반의 원칙적인 LS-M 기준을 제안하여 두 라벨 공간이 매칭된다고 간주할 수 있는 조건을 정의한다.
• 라벨 공간 매칭을 순위 매겨진 할당 문제로 모델링하며, LS-M 기준에서 유도된 비용 함수를 사용해 센서 간 최적의 라벨 대응 관계를 찾는다.
• 실제로는 라벨 공간 매칭 비용 함수를 효율적으로 계산하고 할당 문제를 해결하기 위해 가우시안 믹스처 구현을 사용한다.
• 매칭된 라벨 공간에서 일반화 공분산 교차(GCI) 융합을 적용하여 상호 상관관계가 알려지지 않은 경우에도 견고한 융합을 보장한다.
• LS-M 가정 하에 일반적인 LMO 밀도에 대한 일반 GCI 융합 규칙를 유도하여 알고리즘의 이론적 기반을 마련한다.
• 목표의 출현에 대응하기 위해 적응형 출현 모델과 객체 출현에 대한 사전 정보를 활용하여 동적인 목표 등장 상황에서의 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 분산 다중목표 추적에서 라벨 공간 불일치(LS-DM)를 공식적으로 정의하고 정량화할 수 있는가?
• RQ2 두 라벨 공간이 매칭된다고 판단할 수 있는 원칙적이고 정보이론 기반의 기준은 무엇인가?
• RQ3 라벨 공간이 불일치할 경우 센서 간 최적의 라벨 대응 관계를 어떻게 찾을 수 있는가?
• RQ4 LS-DM 문제를 해결한 후 GCI 융합을 라벨이 부여된 다중목표 밀도에 효과적으로 적용할 수 있는가?
• RQ5 목표의 출현과 퇠퇴가 발생하는 상황에서 제안된 GCI-LSM 알고리즘이 직접 융합 방법에 비해 어떻게 성능을 발휘하는가?

주요 결과

• GCI-LSM 알고리즘은 목표의 출현과 퇠퇴가 발생하는 상황에서 라벨 공간 불일치로 인해 전체 트랙이 손실되는 직접 GCI-LMB 융합보다 유의미하게 뛰어난 성능을 보인다.
• PBP 시나리오에서는 GCI-LMB 융합이 라벨 불일치로 인해 두 번째 트랙을 융합하지 못하는 반면, GCI-LSM은 모든 목표를 정확하게 추적한다.
• 다섯 개의 목표가 있는 시나리오에서는 GCI-LSM이 수렴 후 GCI-GMB 융합과 거의 동일한 OSPA 성능을 달성하여 라벨 매칭 단계의 거의 최적성임을 입증한다.
• 목표 출현 단계에서는 GCI-LSM 융합 성능가 GCI-GMB 융합보다 略로 떨어지지만, 이는 전체 공동 매칭 대신 단일 최적 할당을 사용한 데 기인하며, 이는 순위 매겨진 할당 모델의 정확성을 확인한다.
• GCI-LSM과 GCI-GMB 융합 모두 OSPA 오차와 카디널리티 추정 모두에서 GCI-PHD 융합을 능가하여, 라벨이 부여된 밀도를 사용할 경우의 이점이 뚜렷하다.
• 시뮬레이션 결과는 LS-DM 문제를 해결하는 것이 특히 빈번한 목표 생성과 종료가 발생하는 동적 환경에서 견고한 분산 다중목표 추적을 위해 필수적임을 확인한다.