[논문 리뷰] Multi-Sensor Control for Multi-Target Tracking Using Cauchy-Schwarz Divergence

Meng Jiang, Wei Yi외 1명|arXiv (Cornell University)|2016. 03. 28.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 13인용 수 24

한 줄 요약

이 논문은 일반화된 레이블러드 다중 베르누이(GLMB) 프레임워크 내에서 카우치-슈바르츠(CS) 발산을 사용하여 다중 타깃 추적을 위한 두 가지 다중 센서 제어 방법—공동 결정보상(JDM)과 독립적 결정보상(IDM)—을 제안한다. CS 발산은 GLMB 밀도에 대해 닫힌 형태의 해를 가지며, 일반화된 공분산 교차(GCI) 융합과 결합되어 JDM 접근법이 전역 정보 내용을 최적화하는 데 기여하고, 반면 IDM 방법은 더 빠르지만 부분 최적의 대안을 제공한다. 시뮬레이션 결과, 두 방법 모두 무작위 제어를 능가하며, 복잡한 시나리오에서 JDM이 더 높은 추적 정확도를 달성한다.

ABSTRACT

The paper addresses the problem of multi-sensor control for multi-target tracking via labelled random finite sets (RFS) in the sensor network systems. Based on an information theoretic divergence measure, namely Cauchy-Schwarz (CS) divergence which admits a closed form solution for GLMB densities, we propose two novel multi-sensor control approaches in the framework of generalized Covariance Intersection (GCI). The first joint decision making (JDM) method is optimal and can achieve overall good performance, while the second independent decision making (IDM) method is suboptimal as a fast realization with smaller amount of computations. Simulation in challenging situation is presented to verify the effectiveness of the two proposed approaches.

연구 동기 및 목표

• 통신 및 계산 제약 조건 하에서 제한된 센서가 다수의 타깃을 추적해야 하는 센서 네트워크에서 다중 센서 제어의 과제를 해결한다.
• 다중 타깃 추적에서 기존의 정보 이론적 측정치인 KL 또는 레니 발산과 같은 높은 계산 비용을 해결한다.
• GLMB 밀도에 대해 닫힌 형태의 CS 발산을 활용하여 융합된 다중 타깃 추정치의 정보 내용을 최대화하는 확장 가능한 정보 기반 센서 제어 프레임워크를 개발한다.
• 실시간 적용이 가능한 복잡한 추적 환경에서 최적(JDM) 및 빠른 부분 최적(IDM) 제어 전략을 제공한다.
• 레이블러드 랜덤 유한 집합(RFS)과 GLMB 필터링을 활용하여 타깃 궤적과 레이블 관리에 체계적인 접근을 보장한다.

제안 방법

• 지역 다중 타깃 추적을 위해 일반화된 레이블러드 다중 베르누이(GLMB) 필터를 사용하여 상태와 레이블을 함께 추정하고 닫힌 형태의 갱신을 가능하게 한다.
• 다중 타깃 사후 밀도의 정보 내용을 측정하기 위해 정보 이론적 보상 함수로 카우치-슈바르츠(CS) 발산을 사용한다.
• 지역 센서 추정치를 융합하면서 정보 내용을 유지하고 일관된 다중 센서 융합을 가능하게 하기 위해 일반화된 공분산 교차(GCI)를 적용한다.
• 유한한 계획 시간 간격 내에서 몬테카를로 샘플링을 사용하여 미래 센서 동작에 대한 기대 CS 발산 최적화 문제로 센서 제어 문제를 수립한다.
• 두 가지 결정 전략을 구현한다: JDM은 모든 센서의 동작을 함께 최적화하여 전역 정보 최대화를 달성하고, IDM은 각 센서별로 독립적으로 동작을 선택하여 계산 부담을 감소시킨다.
• 4개의 타깃, 2개의 센서, 거리 및 각도에 따라 변하는 노이즈가 있는 거리-각도 센서, 거리에 따라 감소하는 탐지 확률을 갖는 시뮬레이션 모델을 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GLMB 모델을 사용한 다중 센서 제어에서 카우치-슈바르츠 발산을 정보 기반 보상 함수로 효과적으로 사용할 수 있는가?
• RQ2 CS 발산 기반의 공동 결정 전략(JDM)이 다중 센서 시스템에서 독립적 결정 전략(IDM)에 비해 정보 내용과 추적 성능을 어떻게 향상시키는가?
• RQ3 복잡한 다중 타깃 추적 시나리오에서 제안된 CS 발산 기반 제어가 무작위 제어 전략에 비해 어느 정도 뛰어난가?
• RQ4 최적의 JDM과 부분 최적의 IDM 제어 전략 간의 계산 복잡도와 추적 정확도 사이의 상충 관계는 어떠한가?
• RQ5 GCI 융합과 결합된 CS 발산을 통해 레이블러드 다중 타깃 동역학을 갖는 대규모 센서 네트워크에서 확장 가능하고 정보 최대화를 달성하는 센서 제어를 실현할 수 있는가?

주요 결과

• 공동 결정 전략(JDM) 알고리즘은 시뮬레이션 결과에서 OSPA 오차가 낮아 무작위 제어 및 IDM 방법보다 뛰어난 추적 성능을 달성한다.
• IDM 알고리즘은 계산 부담을 크게 감소시키면서도 여전히 무작위 제어를 능가하므로, 중간 정도의 정확도 요구 조건을 갖는 실시간 응용에 적합하다.
• 두 번째 결정 시점(20초)에서 JDM 방법은 IDM보다 더 높은 CS 발산 값을 기록하여 더 뛰어난 전역 정보 획득과 타깃 향한 더 조율된 센서 이동을 나타낸다.
• 두 제안된 방법 모두 센서가 타깃 향해 이동하도록 이끌었으며, JDM은 더 조율되고 통합적인 동작 선택을 보였다—예를 들어 20초 시점에서 JDM은 $(-60^ ext{°}, 30^ ext{°})$를 선택한 반면 IDM은 $(-30^ ext{°}, 0^ ext{°})$를 선택하였다.
• 더 많은 타깃이나 센서가 있는 복잡한 시나리오에서는 JDM과 IDM 간의 성능 격차가 커지며, 반면 무작위 제어는 추적 정확도를 유지하지 못한다.
• 100회의 몬테카를로 실행 평균 결과로, JDM과 IDM 모두 무작위 제어에 비해 OSPA 오차를 지속적으로 감소시키며, CS 발산 기반 제어 프레임워크의 효과성을 입증한다.