[논문 리뷰] Multi-Sensor Multi-object Tracking with the Generalized Labeled Multi-Bernoulli Filter

Ba‐Ngu Vo, Ba-Tuong Vo|arXiv (Cornell University)|2017. 02. 28.

Target Tracking and Data Fusion in Sensor Networks인용 수 4

한 줄 요약

이 논문은 일반화된 레이블이 부여된 다중 베르누이(Generalized Labeled Multi-Bernoulli, GLMB) 필터 기반으로, 예측과 갱신 단계를 통합하면서도 GLMB 밀도의 효과적인 자unc팅을 위해 지그비 샘플링(Gibbs sampling)을 사용하는 효율적이고 온라인 다중 센서 다중 객체 추적 알고리즘을 제시한다. 이 방법은 센서 측정값에 대해 선형 복잡도, 가설적 트랙에 대해 이차 복잡도를 가지며, 확장 가능한 순서에 의존하지 않는 추적을 가능하게 하며 계산 부담을 감소시키고 구성 요소 유지율을 향상시킨다.

ABSTRACT

This paper proposes an efficient implementation of the multi-sensor generalized labeled multi-Bernoulli (GLMB) filter. The solution exploits the GLMB joint prediction and update together with a new technique for truncating the GLMB filtering density based on Gibbs sampling. The resulting algorithm has quadratic complexity in the number of hypothesized object and linear in the number of measurements of each individual sensors.

연구 동기 및 목표

• 레이블이 부여된 RFS 프레임워크를 사용한 정확한 다중 센서 다중 객체 추적의 계산 비용이 과도한 문제를 해결하기 위해.
• 센서 갱신 순서에 의존하고 잠재적으로 중요한 구성 요소를 기각하는 히우리스틱 '반복 보정자(iterated corrector)' 접근 방식의 한계를 극복하기 위해.
• 다중 센서 GLMB 필터의 원칙적이고 확장 가능하며 순서에 의존하지 않는 구현을 개발하기 위해.
• 효과적인 GLMB 필터링 밀도 자르기를 통해 계산 비용을 감소시키면서도 정확도를 유지하기 위해.

제안 방법

• 다중 센서 GLMB 필터의 예측과 갱신 단계를 하나의 통합된 연산으로 통합한다.
• GLMB 필터링 밀도의 자르기를 위해 지그비 샘플링을 활용하여 다수의 센서 갱신 과정에서 중요한 구성 요소를 유지한다.
• 다중 센서 간의 공동 연관성을 근사하기 위해 센서별로 분리된 연관 확률 기반의 대체 대상 분포를 사용한다.
• 센서별 전이 모델과 정규화된 확률에서 유도된 연관 가중치를 사용하는 순차적 갱신 전략을 적용한다.
• 센서별 우도와 정규화 상수를 사용하여 트랙-측정값 연관의 조건부 확률을 유도한다.
• 지그비 샘플링 이후 구성 요소 가중치를 보정하여 전체 GLMB 필터링 밀도와 일관성을 유지한다.

실험 결과

연구 질문

• RQ1 히우리스틱이고 순서에 의존하는 갱신 전략에 의존하지 않고 다중 센서 GLMB 필터를 효율적으로 구현할 수 있는가?
• RQ2 다중 센서 환경에서 GLMB 밀도를 효과적으로 자르는 방법은 무엇인가? 이는 정확도를 유지하면서 계산 비용을 줄이는 데 기여한다.
• RQ3 센서별로 연관성 독립성 가정이 공동 다중 센서 추적 성능에 미치는 영향은 무엇인가?
• RQ4 지그비 샘플링은 레이블이 부여된 RFS 프레임워크에서 다수의 센서 갱신 과정에서 중요한 구성 요소를 유지하는 데 적합하게 변형할 수 있는가?
• RQ5 제안된 알고리즘의 계산 복잡도는 센서 측정값과 가설적 트랙 수에 대해 각각 어떻게 되는가?

주요 결과

• 제안된 알고리즘은 센서당 측정값 수에 대해 선형 복잡도, 가설적 트랙 수에 대해 이차 복잡도를 달성한다.
• GLMB 자르기를 위한 지그비 샘플링의 사용은 순차적 갱신 체계에서 기각될 수 있었던 구성 요소를 유지할 수 있게 한다.
• 이 방법은 순서에 의존하지 않으며, 반복 보정자 접근 방식에서 흔히 발생하는 갱신 순서 의존성 문제를 피한다.
• 센서별 연관 확률의 곱 기반 대체 대상 분포는 원래 대상과 일치하는 지지역역을 유지한다.
• 기존의 반복 보정자 방법보다 구성 요소를 유지함으로써, 다수의 센서 갱신 후에 중요해질 수 있는 성능 향상을 달성한다.
• 통합된 예측-갱신 전략은 계산 오버헤드를 감소시키고 다중 센서 환경에서 추적 정확도를 향상시킨다.