[논문 리뷰] Multi-Object Tracking with Multiple Birth, Death, and Spawn Scenarios Using A Randomized Hypothesis Generation Technique (R-FISST)

W. Faber, Suman Chakravorty외 1명|arXiv (Cornell University)|2016. 03. 24.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 10인용 수 5

한 줄 요약

이 논문은 유한 집합 통계(FISST) 기반의 랜덤화된 가설 생성 기법인 R-FISST를 제안한다. 이 기법은 다수의 출생, 사망, 스폰 사건을 수반하는 복잡한 상황에서도 계산적으로 타당한 다객체 추적을 가능하게 한다. 가설 수준에서 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용함으로써 R-FISST는 모든 가능한 구성 조합을 전수 조사하지 않고도 고확률 구성 조합을 효율적으로 탐색할 수 있다. 이는 빌리온 수준의 가능성이 있는 가설이 존재하는 궤도 상황 인식(SSA) 시뮬레이션에서도 스폰된 물체를 성공적으로 추적하고, 물체의 사망을 정확히 예측하는 데 성공하였다.

ABSTRACT

In multi-object tracking one may encounter situations were at any time step the number of possible hypotheses is too large to generate exhaustively. These situations generally occur when there are multiple ambiguous measurement returns that can be associated to many objects. This paper contains a newly developed approach that keeps the aforementioned situations computationally tractable. Utilizing a hypothesis level derivation of the Finite Set Statistics (FISST) Bayesian recursions for multi-object tracking we are able to propose a randomized method called randomized FISST (R-FISST). Like our previous methods, this approach utilizes Markov Chain Monte Carlo (MCMC) methods to sample highly probable hypotheses, however, the newly developed (R-FISST) can account for hypotheses containing multiple births and death within the MCMC sampling. This alleviates the burden of having to exhaustively enumerate all birth and death hypotheses and makes the method more equipped to handle spawn scenarios. We test our method on Space Situational Awareness (SSA) scenarios with spawn events.

연구 동기 및 목표

• 모호한 측정치로 인해 가능한 가설의 수가 급격히 증가할 때 다객체 추적의 계산 불가능성 문제를 해결하기 위해, 특히 다수의 출생, 사망, 스폰 사건이 발생하는 상황에서의 대응을 목적으로 한다.
• 이전의 FISST 기반 추적 방법은 출생 및 사망 가설을 전수 조사해야 했기에 확장성에 한계가 있었음을 고려하여, 이를 개선하고자 한다.
• 높은 확률의 가설만을 샘플링하는 랜덤화된 MCMC 기반 접근법을 개발하여 계산 부담을 줄이면서도 정확도를 유지하고자 한다.
• 물체 수가 동적으로 변화하고 측정 모호성이 높은 궤도 상황 인식(SSA) 환경에서 스폰 사건의 정확한 추적을 가능하게 하고자 한다.
• 본 방법이 복잡한 추적 상황에서 새로운 물체의 출현과 기존 물체의 소멸을 모두 정확히 예측할 수 있음을 입증하고자 한다.

제안 방법

• 이 방법은 다객체 추적 문제를 가설 공간 상의 이산 상태 필터링 문제로 간주하며, FISST 베이지안 재귀식을 가설 수준에서 유도한다.
• 고확률 가설 공간을 탐색하기 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 활용하여, 모든 가능한 출생 및 사망 구성 조합을 전수 조사할 필요 없이 효율적으로 탐색한다.
• 다객체 사후확률을 각 가설이 다른 수의 물체를 나타내는 다표적 확률 밀도 함수(MT-pdf)의 가중 혼합형태로 모델링한다.
• 출생 및 사망 과정은 다이버니우리(다중 베르누이) 과정으로 모델링되며, 알고리즘은 측정치로부터 유도된 가능도에 기반해 가설의 가중치를 동적으로 조정한다.
• 사용자 정의 매개변수 α와 β를 사용해 가설 수용을 조정하며, 측정치 대 물체 비율에 따라 시뮬레이션에서 히우리스틱을 적용해 이를 적응적으로 조정한다.
• 단일 및 다중 물체 스폰이 발생하는 SSA 시나리오를 사용해 검증하였으며, 가설 수가 매우 많을 경우에도 안정성을 입증하였다.

실험 결과

연구 질문

• RQ1 랜덤화된 가설 생성 기법은 전수 조사 없이도 다수의 출생 및 사망을 수반하는 다객체 추적을 효과적으로 처리할 수 있는가?
• RQ2 고도로 모호하고 수많은 가능성이 존재하는 상황에서, 가설 수준의 MCMC 기반 샘플링은 계산 타당성을 어떻게 향상시키는가?
• RQ3 이 방법은 복잡한 SSA 상황에서 스폰 사건을 정확히 탐지하고 추적할 수 있으며, 기존 물체의 사망까지 정확히 예측할 수 있는가?
• RQ4 모호한 측정치로 인해 가능성이 수십억 개에 달하는 가설 공간이 발생할 경우, 이 방법은 얼마나 정확도를 유지하는가?
• RQ5 α와 β 매개변수는 어떻게 적응적으로 조정하여 다이나믹한 스폰 상황에서 추적 성능을 향상시킬 수 있는가?

주요 결과

• 단일 물체 SSA 시나리오에서 스폰 사건이 발생했을 때, R-FISST는 새로 생성된 물체의 상태를 센서의 시야에 진입할 때 정확히 추정하며 모든 스폰된 물체를 성공적으로 추적하였다.
• 20개 물체의 SSA 시나리오에서, 본 방법은 한 부모 물체로부터 다수의 새로운 물체가 출생하는 것을 정확히 예측하였으며, 추적 과정 전반에 걸쳐 최상위 가설에서 정확한 물체 수를 유지하였다.
• 기존 물체의 사망을 정확히 식별하여 존재하지 않는 실체를 잘못 추적하는 것을 방지하였으며, 이는 가설의 무결성을 유지하는 데 매우 중요하다.
• 스폰 이벤트 동안 가능한 가설의 최대 수가 빌리온 수준에 이르렀으며, 이는 전수 조사가 불가능함을 확인하고, 랜덤화된 접근이 반드시 필요함을 입증하였다.
• 시뮬레이션 결과는 R-FISST가 가설 공간의 급격한 증가에도 불구하고 높은 정확도를 유지할 수 있음을 보여주었으며, 이는 계산 타당성을 검증한 것이다.
• α와 β 값에 대한 히우리스틱적 적응 조정 전략을 사용함으로써 다이나믹한 상황에서 성능 향상이 이루어졌지만, 온라인 조정은 향후 연구 과제로 남아 있다.