[논문 리뷰] Poisson Multi-Bernoulli Mixtures for Sets of Trajectories

Karl Granström, Lennart Svensson외 3명|arXiv (Cornell University)|2019. 12. 17.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 49인용 수 16

한 줄 요약

이 논문은 무작위 유한 집합 이론을 사용하여 궤적 집합을 추적하기 위해 포isson 다중베르누이 혼합(pmbm) 필터를 도입한다. 표준 점 표적 모델 하에서 궤적 집합에 대한 pmbm 밀도가 공액임을 증명하여 폐쇄형 재귀를 통한 효율적인 필터링 및 스무딩을 가능하게 하며, 긴 궤적, 융합하는 궤적, 수많은 궤적을 포함한 시뮬레이션에서 최신 기술 수준의 성능을 입증한다.

ABSTRACT

The Poisson Multi-Bernoulli Mixture (PMBM) density is a conjugate multi-target density for the standard point target model with Poisson point process birth. This means that both the filtering and predicted densities for the set of targets are PMBM. In this paper, we first show that the PMBM density is also conjugate for sets of trajectories with the standard point target measurement model. Second, based on this theoretical foundation, we develop two trajectory PMBM filters that provide recursions to calculate the posterior density for the set of all trajectories that have ever been present in the surveillance area, and the posterior density of the set of trajectories present at the current time step in the surveillance area. These two filters therefore provide complete probabilistic information on the considered trajectories enabling optimal trajectory estimation. Third, we establish that the density of the set of trajectories in any time window, given the measurements in a possibly different time window, is also a PMBM. Finally, the trajectory PMBM filters are evaluated via simulations, and are shown to yield state-of-the-art performance compared to other multi-target tracking algorithms based on random finite sets and multiple hypothesis tracking.

연구 동기 및 목표

• 무작위 유한 집합(RFS) 이론을 사용하여 궤적 집합의 다중 표적 추적(MTT) 문제를 다루기.
• 이전에 매우 도전적인 것으로 여겨졌던 궤적 집합 추론의 계산 비가역성 문제를 극복하기.
• 표준 점 표적 모델 하에서 궤적 집합에 대한 효율적인 필터링 및 스무딩 알고리즘 개발하기.
• 궤적 RFS에 대한 pmbm 밀도의 이론적 공액성 확립하여 폐쇄형 재귀 가능하게 하기.
• 긴 궤적과 표적 융합을 포함한 복잡한 시나리오에서의 강건한 성능 입증하기.

제안 방법

• 표준 점 표적 모델과 포isson 탄생 과정을 사용하여 다중 표적 추적을 궤적의 무작위 유한 집합(RFS)으로 공식화하기.
• 포isson 다중베르누이 혼합(pmbm) 밀도가 궤적 집합에 대해 공액임을 증명하여, 기존의 표적 상태에 대한 알려진 공액성의 확장 제공하기.
• 궤적 집합에 대한 pmbm 밀도의 예측 및 갱신 식 유도하여 효율적인 필터링 및 스무딩 가능하게 하기.
• 궤적 추정을 위한 두 가지 pmbm 트래커 변형 구현: pmbm-t-IF(상호작용 필터) 및 pmbm-t-L1(L1-노름 근사)
• 다양한 시나리오, 특히 긴 궤적과 표적 융합을 포함한 상황에서 성능 평가를 위해 몬테카를로 시뮬레이션 사용하기.
• 정확도, 기수, 전환 오류 평가를 위해 궤적 메트릭(tm)과 유클리드 기반의 OSPA(2) 메트릭 사용하기.

실험 결과

연구 질문

• RQ1 표준 점 표적 모델 하에서 궤적 집합에 대한 pmbm 밀도가 공액인가?
• RQ2 pmbm 기반 재귀를 사용하여 궤적 집합에 대한 효율적인 필터링 및 스무딩이 가능한가?
• RQ3 긴 궤적 또는 융합하는 궤적을 포함한 복잡한 시나리오에서 pmbm 트래커는 δ-GLMB와 같은 기존 방법보다 성능이 뛰어나게 되는가?
• RQ4 라벨 기반 RFS 방법에서 관찰되는 비현실적인 궤적 전환 현상을 pmbm 구성은 피할 수 있는가?
• RQ5 측정치가 임의의 시간 창(중첩되지 않을 수도 있음)에 존재할 경우, 궤적 집합의 사후 분포가 항상 pmbm 형태를 유지하는가?

주요 결과

• 표준 점 표적 모델 하에서 궤적 집합에 대한 pmbm 밀도는 공액이므로 폐쇄형 베이지안 추론이 가능하다.
• 모든 시뮬레이션 시나리오에서 pmbm 트래커가 pmbm-t-L1 및 δ-GLMB를 모두 초월하며, 특히 긴 궤적과 융합하는 궤적을 다룰 때 뛰어난 성능을 보인다.
• 표적 융합이 있는 시나리오 3에서 pmbm 트래커는 δ-GLMB에서 관찰되는 비현실적인 궤적 전환을 피하며, 이는 라벨 기반 추적의 산물인 잡음이다.
• pmbm-t-IF 변형이 모든 시나리오에서 가장 뛰어난 성능을 보이며, pmbm-t-L1 및 δ-GLMB보다 더 낮은 궤적 메트릭(tm)과 OSPA(2) 오차를 기록한다.
• 측정치가 어떤 시간 창(중첩되지 않을 수도 있음)에 존재하더라도 궤적 집합의 사후 분포가 항상 pmbm 형태를 유지한다. 이는 선형-가우시안 시스템에서 가우시안 공액성과 유사하다.
• 이 방법은 최대 981단계에 이르는 궤적과 수백 개의 궤적을 포함한 집합을 효율적으로 처리하여 확장성과 강건성을 입증한다.