[논문 리뷰] The Marginalized $\delta$-GLMB Filter

Claudio Fantacci, Ba-Tuong Vo외 2명|arXiv (Cornell University)|2015. 01. 05.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 32인용 수 29

한 줄 요약

이 논문은 데이터 연동 역사를 통합하여 사후 확률의 PHD와 표본 수 분포를 유지하면서도 계산 효율성이 높은 δ-GLMB 필터의 근사치인 Mδ-GLMB 필터를 제안한다. 이 방법은 성분 수 증가를 줄여 다중 센서 추적을 가능하게 하며, 정확도는 정확한 δ-GLMB 필터와 유사하게 유지한다.

ABSTRACT

The multi-target Bayes filter proposed by Mahler is a principled solution to recursive Bayesian tracking based on RFS or FISST. The $\delta$-GLMB filter is an exact closed form solution to the multi-target Bayes recursion which yields joint state and label or trajectory estimates in the presence of clutter, missed detections and association uncertainty. Due to presence of explicit data associations in the $\delta$-GLMB filter, the number of components in the posterior grows without bound in time. In this work we propose an efficient approximation to the $\delta$-GLMB filter which preserves both the PHD and cardinality distribution of the labeled posterior. This approximation also facilitates efficient multi-sensor tracking with detection-based measurements. Simulation results are presented to verify the proposed approach.

연구 동기 및 목표

• 명시적인 데이터 연동으로 인한 성분 수의 무한 증가로 인한 δ-GLMB 필터의 계산 부담을 해결하기 위해.
• 진정한 사후 분포의 주요 통계적 성질을 유지하는 레이블이 부여된 RFS 사후 분포에 대한 체계적인 근사치를 개발하기 위해.
• 목표 간 통계적 종속성을 유지하면서 확장 가능하고 저복잡도의 다중 센서 다중 목표 추적을 가능하게 하기 위해.
• 새로운 Mδ-GLMB 프레임워크를 기반으로 LMB 필터의 다른 유도 방법을 제공하기 위해.
• 부분 관측 가능성이 높고 잡음이 많은 상황에서의 방법의 효과성을 입증하기 위해.

제안 방법

• δ-GLMB 필터에서 데이터 연동 역사를 통합하여 성분 수 증가를 줄이기 위한 방법을 제안한다.
• GLMB 가족을 사용하여 진정한 사후 분포의 PHD와 표본 수 분포를 일치시키는 체계적인 근사치로 활용한다.
• 레이블이 부여된 RFS 밀도에 대해 닫힌 형태의 근사치를 적용하여 추적에 필요한 충분통계량을 유지한다.
• 완전한 연동 맵 대신 통합된 성분을 사용하여 예측 및 갱신 단계를 계산하는 필터링 재귀식을 도입한다.
• 명시적인 연동 추적을 제거하면서 δ-GLMB의 구조를 유지하여 저장 및 계산 부담을 감소시킨다.
• 특정 조건 하에 성분 가중치와 레이블이 부여된 경우, LMB 필터를 Mδ-GLMB 필터의 특수 케이스로 유도한다.

실험 결과

연구 질문

• RQ1 명시적인 데이터 연동 추적으로 인한 성분 수 증가 문제를 해결하면서도 진정한 사후 분포의 PHD와 표본 수 분포를 유지하는 계산 효율적인 δ-GLMB 필터 근사치를 개발할 수 있는가?
• RQ2 δ-GLMB 필터에서 데이터 연동 역사를 통합하면 성분 수 증가를 줄일 수 있으며 추적 정확도를 손상시키지 않는가?
• RQ3 Mδ-GLMB 필터는 전체 δ-GLMB 필터가 비가능한 상황에서 실용적인 다중 센서 다중 목표 추적을 가능하게 하는가?
• RQ4 표본 수 추정 및 OSPA 오차 측면에서 Mδ-GLMB 필터는 δ-GLMB 필터 및 LMB 필터와 비교해 어떻게 성능을 내는가?
• RQ5 LMB 필터는 제안된 Mδ-GLMB 프레임워크의 특수 케이스로 유도될 수 있는가?

주요 결과

• Mδ-GLMB 필터는 단일 레이더 및 다중 TOA 시나리오 모두에서 δ-GLMB 필터와 거의 동일한 표본 수 추정 정확도를 달성한다.
• 3-TOA 시나리오에서 LMB 필터는 트랙 손실로 인해 더 높은 표본 수 표준편차와 OSPA 오차를 보이며, Mδ-GLMB는 δ-GLMB 성능을 그대로 유지한다.
• Mδ-GLMB 필터의 OSPA 거리는 항상 δ-GLMB 필터에 가까운데, 100회의 몬테카를로 시험 평균 기준으로 평균 50m 이내의 차이를 보인다.
• Mδ-GLMB 필터는 δ-GLMB 대비 성분 수 증가를 줄여 계산 및 저장 요구량을 크게 감소시킨다.
• LMB 필터는 Mδ-GLMB 필터의 특수 케이스로 도출되어 프레임워크의 일관성을 검증한다.
• 제안된 방법은 연동 맵의 지수적 증가를 피하기 때문에 다중 센서 추적을 실현 가능하게 한다.