[논문 리뷰] Distributed Variational Bayesian Algorithms for Extended Object Tracking

Junhao Hua, Chunguang Li|arXiv (Cornell University)|2019. 03. 01.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 40인용 수 13

한 줄 요약

이 논문은 센서 네트워크에서 확장된 목표물 추적을 위한 분산 변분 베이지안 알고리즘을 제안하며, 대칭 양의 정부호 행렬을 통해 목표물의 확장을 모델링하고 운동 상태, 확장성, 알려지지 않은 측정 노이즈를 함께 추정한다. 변분 추론과 ADMM를 사용하여 확장 가능하고 협업 가능한 추정을 가능하게 하며, 분석적 근사치를 사용하여 시뮬레이션을 통해 확장된 목표물 및 그룹 목표물 추적 시나리오에서 검증된다.

ABSTRACT

This paper is concerned with the problem of distributed extended object tracking, which aims to collaboratively estimate the state and extension of an object by a network of nodes. In traditional tracking applications, most approaches consider an object as a point source of measurements due to limited sensor resolution capabilities. Recently, some studies consider the extended objects, which are spatially structured, i.e., multiple resolution cells are occupied by an object. In this setting, multiple measurements are generated by each object per time step. In this paper, we present a Bayesian model for extended object tracking problem in a sensor network. In this model, the object extension is represented by a symmetric positive definite random matrix, and we assume that the measurement noise exists but is unknown. Using this Bayesian model, we first propose a novel centralized algorithm for extended object tracking based on variational Bayesian methods. Then, we extend it to the distributed scenario based on the alternating direction method of multipliers (ADMM) technique. The proposed algorithms can simultaneously estimate the extended object state (the kinematic state and extension) and the measurement noise covariance. Simulations on both extended object tracking and group target tracking are given to verify the effectiveness of the proposed model and algorithms.

연구 동기 및 목표

• 기존의 점 목표물 모델이 임의의 공간 정보를 상실하는 센서 네트워크에서 분산된 확장된 목표물 추적 방법의 부족을 해결하기 위해.
• 운동 상태와 무작위 행렬 기반의 확장을 갖는 공간적으로 구조화된 실체로 확장된 목표물을 모델링하여 크기, 모양, 방향성을 포괄하기 위해.
• 강건성과 확장성 확보를 위해 분산 베이지안 프레임워크 내에서 확장된 목표물 상태와 알려지지 않은 측정 노이즈 공분산을 공동으로 추정하기 위해.
• 변분 베이지안 방법과 ADMM를 사용하여 분산 구현을 위한 확장 가능하고 협업 가능한 추론 알고리즘 개발하기 위해.
• 실제 센서 노이즈와 공간적 확장을 고려한 확장된 목표물 추적 및 그룹 목표물 추적 시나리오에서 제안된 알고리즘 검증하기 위해.

제안 방법

• 목표물의 확장을 대칭 양의 정부호 무작위 행렬로 표현하고, 측정값은 확장 행렬에 연결된 공분산을 갖는 가우시안으로 모델링하는 베이지안 모델을 수립한다.
• 변분 추론을 위한 완전한 가능도 모델을 확보하기 위해 노이즈가 없는 측정값을 나타내는 잠재 변수를 도입한다.
• 변분 베이지안 추론의 분석적 취급 가능성을 확보하기 위해 운동 상태, 확장 행렬, 노이즈 공분산에 대해 공액 사전을 적용한다.
• 평균장 근사법을 사용하여 중심화된 변분 베이지안 알고리즘을 유도하여 확장된 목표물 상태 및 노이즈 매개변수의 사후 마진 분포를 계산한다.
• 교대 방향 방법의 다중변수 적용(ADMM)을 통해 중심화된 알고리즘을 분산 설정으로 확장하여 국소 계산과 이웃 기반 정보 교환을 가능하게 한다.
• ADMM를 통해 분산 최적화 문제를 해결하기 위해 변분 目적 함수를 노드 간의 국소 하위문제와 공통 조건으로 분해한다.

실험 결과

연구 질문

• RQ1 분산 베이지안 프레임워크에서 확장된 목표물 추적에서 운동 상태, 확장성, 알려지지 않은 측정 노이즈를 공동으로 추정할 수 있는가?
• RQ2 변분 베이지안 추론은 분산 센서 네트워크에서 무작위 행렬 기반의 확장성과 노이즈 공분산의 공동 추정을 어떻게 적응시킬 수 있는가?
• RQ3 확장된 목표물 추적에서 중심화된 또는 점 목표물 모델 대비 분산 변분 베이지안 접근법의 성능 향상은 어떠한가?
• RQ4 제안된 ADMM 기반의 분산 알고리즘이 통신 및 계산 부담을 최소화하면서 추정 정확도를 유지하는 방식은 어떠한가?
• RQ5 다수의 밀접하게 배치된 목표물이 하나의 확장된 목표물로 간주되는 그룹 목표물 추적에 대해 알고리즘이 얼마나 일반화되는가?

주요 결과

• 제안된 분산 변분 베이지안 알고리즘은 확장된 목표물 추적 및 그룹 목표물 추적 시나리오 모두에서 확장된 목표물 상태와 측정 노이즈 공분산을 정확하게 공동 추정한다.
• 시뮬레이션 결과, 고노이즈 및 높은 공간적 확장 조건에서 기존의 점 목표물 추적 방법보다 상태 및 확장성 추정 정확도에서 뛰어난 성능을 보인다.
• 변분 베이지안 추론의 사용으로 몬테카를로 샘플링의 계산 부담을 피하면서도 강건성을 유지한다.
• ADMM 기반의 분산 구현은 수렴성과 확장성을 보장하며, 각 노드가 오직 한 단계 이웃 정보만을 사용하여 국소 업데이트를 수행한다.
• 추론 과정에서 노이즈 공분산 구조를 학습함으로써 알려지지 않은 측정 노이즈를 효과적으로 처리하여 실제 환경 조건에서의 강건성을 향상시킨다.
• 변분 매개변수(평균, 공분산, 노이즈 정밀도)에 대한 폐쇄형 업데이트 식이 유도되어 효율적이고 안정적인 순차적 추정을 가능하게 한다.