[논문 리뷰] Graphical model approximations of random finite set filters

Jason Williams|arXiv (Cornell University)|2011. 05. 17.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 45인용 수 7

한 줄 요약

이 논문은 데이터 연동을 통합한 계산적으로 타당한 무작위 유 finit set (RFS) 필터를 제안한다. 이는 Morelande와 Challa(M-C)와 같은 이전 방법들에서 발생하는 계산적 제약를 극복한다. 민감도 전파를 활용해 국소적 연동 가중치를 계산하고, 네트워크 흐름 최적화를 통해 트랙 융합 문제를 해결함으로써, 민감도 전파 국소 트랙 필터(BPMTF)는 감지되지 않은 목표물에 대해 포isson 점 과정(PPP)과 추적 중인 목표물에 대해 다중 베르누이 성분을 효과적으로 조합하여, 목표물 재사용과 대규모 추적 시스템에서의 향상된 확장성을 가능하게 한다.

ABSTRACT

Random finite sets (RFSs) has been a fruitful area of research in recent years, yielding new approximate filters such as the probability hypothesis density (PHD), cardinalised PHD (CPHD), and multiple target multi-Bernoulli (MeMBer). These new methods have largely been based on approximations that side-step the need for measurement-to-track association. Comparably, RFS methods that incorporate data association, such as Morelande and Challa's (M-C) method, have received little attention. This paper provides a RFS algorithm that incorporates data association similarly to the M-C method, but retains computational tractability via a recently developed approximation of marginal association weights. We describe an efficient method for resolving the track coalescence phenomenon which is problematic for joint probabilistic data association (JPDA) and related methods (including M-C). The method utilises a network flow optimisation, and thus is tractable for large numbers of targets. Finally, our derivation also shows that it is natural for the multi-target density to incorporate both a Poisson point process (PPP) component (representing targets that have never been detected) and a multi-Bernoulli component (representing targets under track). We describe a method of recycling, in which tracks with a low probability existence are transferred from the multi-Bernoulli component to the PPP component, effectively yielding a hybrid of M-C and PHD.

연구 동기 및 목표

• 기존의 M-C와 같은 방법들이 국소적 연동 확률 계산으로 인해 너무 비용이 많이 들기 때문에, 데이터 연동을 통합한 계산적으로 타당한 RFS 필터를 개발하는 것.
• JPDA 및 M-C 스타일 필터에서 흔히 발생하는 트랙 융합 문제를 효율적인 네트워크 흐름 최적화를 통해 해결하는 것.
• 다중 목표 필터링에서 상호보완적인 두 가지 표현 방식을 통합하는 것: 감지되지 않은 목표물에 대한 포isson 점 과정(PPP)과 추적 중인 목표물에 대한 다중 베르누이 성분.
• 낮은 존재 확률을 가진 트랙을 다중 베르누이 성분에서 PPP 성분으로 이관함으로써 목표물 재사용을 도입하는 것. 이는 분포의 1차 모멘트 정확성과 계산 효율성을 유지한다.
• 민감도 전파를 다중 스캔 연동으로 확장하여, 다차원 할당(MDA)의 복잡성 없이도 이전 데이터에 대한 소프트 국소 연동을 가능하게 하는 것.

제안 방법

• RFS 가정 하에 목표물 생성, 생존, 운동, 감지, 잡음 신호 등 모든 요소를 포함한 전체 베이즈 다중 목표 필터링 방정식 유도.
• 최근 개발된 고성능 근사법을 활용해 국소적 연동 가중치를 계산하기 위해 루프가 있는 민감도 전파(LBP)를 적용하여, 전체 공동 연동을 고려하지 않더라도 계산이 가능하도록 함.
• 민감도 전파를 통해 유지된 국소 확률과 1차 모멘트 일致성을 유지하면서, 트랙 융합 문제를 해결하기 위해 네트워크 흐름 최적화 방법을 도입.
• 감지되지 않은 목표물의 PPP 성분을 표현하기 위해 상태 공간의 격자 기반 이산화를 사용하여, 모든 가능한 감지되지 않은 목표물을 추적하지 않더라도 목표물 강도를 효율적으로 계산할 수 있도록 함.
• 목표물 재사용 도입: 존재 확률가 낮은 트랙을 다중 베르누이 성분에서 PPP 성분으로 이관함으로써, 분포의 1차 모멘트 정확성을 유지.
• 다중 스캔 변형(MSBPF)을 개발하여 LBP를 사용해 다중 스캔 국소 연동 확률을 계산함으로써, MAP 기반 MDA의 계산 부담을 피함.

실험 결과

연구 질문

• RQ1 계산적 타당성을 유지하면서 RFS 기반 다중 목표 필터링에 데이터 연동을 효율적으로 통합할 수 있는가?
• RQ2 JPDA 및 M-C 스타일 필터에서 흔히 발생하는 트랙 융합 문제를 대규모 추적 환경에서 효과적으로 완화할 수 있는가?
• RQ3 감지되지 않은 목표물에 대해 포isson 점 과정(PPP)과 추적 중인 목표물에 대해 다중 베르누이 성분을 단일 필터링 프레임워크 내에서 자연스럽게 통합할 수 있는가?
• RQ4 낮은 신뢰도를 가진 트랙을 PPP 성분으로 이관하는 목표물 재사용 기법이 다중 목표 분포의 1차 모멘트를 유지하고 필터링 효율성을 향상시킬 수 있는가?
• RQ5 민감도 전파를 다중 스캔 연동으로 확장하면, 특히 소프트 연동 프레임워크에서 단일 스캔 방법에 비해 의미 있는 성능 향상을 가져올 수 있는가?

주요 결과

• 제안된 민감도 전파 국소 트랙 필터(BPMTF)는 LBP 근사를 통해 국소 연동 가중치를 근사함으로써, 계산적 타당성을 유지하면서 데이터 연동을 RFS 필터링에 성공적으로 통합하였다.
• 네트워크 흐름 기반 융합 방지 알고리즘은 각 트랙의 존재 확률을 유지하고 분포의 1차 모멘트를 보존하여 재할당 후에도 일致성을 확보한다.
• 목표물 재사용은 다중 베르누이 성분에서 낮은 신뢰도 트랙을 PPP 성분으로 이관함으로써 1차 모멘트 정확성 손실 없이 장기적 추적 안정성을 향상시킨다.
• 이 방법은 자연스럽게 하이브리드 표현 방식을 지원한다: 고신뢰도 트랙에 대한 다중 베르누이 성분과 감지되지 않거나 일시적인 목표물에 대한 PPP 성분.
• 다중 스캔 BP 필터(MSBPF)는 LBP를 사용해 다중 스캔 국소 연동 확률을 효율적으로 계산하며, MDA의 복잡성 없이도 소프트 연동 대안을 제공한다.
• 이론적 분석을 통해 진짜 분포와 근사 분포 사이의 KL 발산이 독립된 부분 성분들에 대한 발산의 합으로 유계임을 확인하여, 근사 프레임워크의 타당성을 뒷받침한다.