[논문 리뷰] Single-cluster PHD filter methods for joint multi-object filtering and parameter estimation

Isabel Schlangen, Daniel E. Clark외 1명|arXiv (Cornell University)|2017. 05. 15.

Target Tracking and Data Fusion in Sensor Networks인용 수 5

한 줄 요약

이 논문은 다객체 상태와 미지 파라미터(예: 센서 캘리브레이션 또는 로봇 위치 추정)를 한 개의 클러스터 기반 포인트 프로세스 모델을 사용하여 통합적으로 추정하는 단일 클러스터 PHD 및 CPHD 필터링 프레임워크를 제안한다. 포isson, Panjer 및 i.i.d. 클러스터 프로세스를 기반으로 한 우도 함수를 통합함으로써 파라미터 추정을 필터링 과정에 통합함으로써, 별도의 추정 방법에 비해 정확도를 향상시키고 체계적 오차를 감소시킨다.

ABSTRACT

Many multi-object estimation problems require additional estimation of model or sensor parameters that are either common to all objects or related to unknown characterisation of one or more sensors. Important examples of these include registration of multiple sensors, estimating clutter profiles, and robot localisation. Often these parameters are estimated separately to the multi-object estimation process, which can lead to systematic errors or overconfidence in the estimates. These parameters can be estimated jointly with the multi-object process based only on the sensor data using a single-cluster point process model. This paper presents novel results for joint parameter estimation and multi-object filtering based on a single-cluster second-order Probability Hypothesis Density (PHD) and Cardinalised PHD (CPHD) filter. Experiments provide a comparison between the discussed approaches using different likelihood functions.

연구 동기 및 목표

• 다객체 상태와 센서/모델 파라미터를 별도로 추정함으로써 발생하는 체계적 오차와 과신 문제를 해결하기 위해.
• 단일 클러스터 포인트 프로세스 모델을 사용하여 다객체 상태와 공통 파라미터를 통합적으로 추정하는 필터링 프레임워크를 개발하기 위해.
• 다양한 확률적 가정(Poisson, Panjer, i.i.d. 클러스터) 하에서 PHD, 2차 모멘트 PHD 및 CPHD 필터의 성능을 비교하기 위해.
• 최신 RFS 기반 SLAM 수식에 비해 시뮬레이션을 통해 제안된 방법의 타당성을 검증하기 위해.

제안 방법

• 목표물과 잡음이 공유하는 파라미터를 가진 랜덤 유한집합으로 모델링하는 두 수준의 계층적 포인트 프로세스 모델을 사용한다.
• 다객체 사후분포의 1차 및 2차 모멘트를 전파하기 위해 확률 가설 밀도(PHD) 및 카디널리티가 정규화된 PHD(CPHD) 필터를 적용한다.
• 목표물 및 잡음 분포를 모델링하기 위해 포isson, 부정이항(panjer), i.i.d. 클러스터 프로세스를 기반으로 한 일반화된 우도 함수를 활용한다.
• 확률 생성함수함수(PGFL)를 사용하여 다양한 프로세스 가정 하에서 다객체 우도의 닫힌 형태 표현식을 유도한다.
• 각 입자가 미지 파라미터의 가설을 나타내며, 관련 다객체 통계량(강도, 분산, 카디널리티 분포)을 포함하는 입자 필터 프레임워크를 구현한다.
• 입자 다양성을 유지하고 분해를 방지하기 위해 유효 표본 크기 기반 임계값을 적용한 리샘플링을 사용한다.

실험 결과

연구 질문

• RQ1 다객체 상태와 미지 파라미터를 동시에 추정하는 것이 순차적 추정에 비해 정확도를 어떻게 향상시키는가?
• RQ2 다양한 확률적 가정(Poisson, Panjer, i.i.d. 클러스터) 하에서 목표물 및 잡음 프로세스를 모델링할 때 PHD, 2차 모멘트 PHD 및 CPHD 필터의 성능 차이는 무엇인가?
• RQ3 명시적인 지형 기반 모델링 없이도 단일 클러스터 PHD 프레임워크가 센서 캘리브레이션 및 SLAM을 위한 파라미터 추정에 효과적으로 작용할 수 있는가?
• RQ4 Poisson, Panjer 및 i.i.d. 클러스터 기반 우도 함수는 정확도와 강인성 측면에서 어떻게 비교되는가?
• RQ5 목표물 및 잡음 프로세스를 별개의 분포(예: 이항, 포isson, 부정이항)로 모델링할 경우, 통합 추정 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 통합 추정 프레임워크는 객체 상태와 함께 일관되게 파라미터를 학습함으로써 별도 추정에 비해 체계적 오차와 과신을 감소시킨다.
• Panjer 프로세스 기반의 2차 모멘트 PHD 필터는 목표물 프로세스의 강도와 분산을 모두 모델링함으로써 표준 PHD 및 CPHD 필터보다 더 높은 정확도를 제공한다.
• i.i.d. 클러스터 프로세스 모델링을 적용한 CPHD 필터는 고잡음 및 저감지율 조건에서 카디널리티 추정 성능에서 다른 접근 방식을 능가한다.
• 시뮬레이션 결과, 제안된 방법은 명시적인 지형 표현 없이도 최신 RFS 기반 SLAM 수식과 유사한 추정 정확도를 달성한다.
• Poisson, Panjer, i.i.d. 클러스터 기반 우도 함수의 사용은 각각 다른 성능 트레이드오프를 초래하며, 시험 환경에서 Panjer 기반 우도가 정확도와 강인성의 최적 균형을 제공한다.
• 유효 표본 크기 기반 리샘플링을 사용한 입자 필터 구현은 장기간의 시퀀스에서도 안정된 성능을 유지하며 입자 분해를 방지한다.