[論文レビュー] Distributed Multi-Sensor Fusion Using Generalized Multi-Bernoulli Densities

Meng Jiang, Wei Yi+2 more|arXiv (Cornell University)|Mar 21, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用数 6

ひとこと要約

本稿では、一般化多ベルヌーイ（GMB）密度の2次近似であるSO-GMBを提案する。SO-GMBは、確率的仮説密度（PHD）と基数分布を両方保持するため、分散型マルチセンサー・マルチターゲット追跡における正確な一般化共分散交差（GCI）融合を可能にする。頻繁なターゲット死亡や近接接近時の運動を伴う状況において、1次近似（FO-GMB）を上回る性能を示し、困難な追跡条件下でも安定性が向上し、OSPA誤差が低減される。

ABSTRACT

The paper addresses distributed multi-target tracking in the framework of generalized Covariance Intersection (GCI) over multistatic radar system. The proposed method is based on the unlabeled version of generalized labeled multi-Bernoulli (GLMB) family by discarding the labels, referred as generalized multi-Bernoulli (GMB) family. However, it doesn't permit closed form solution for GCI fusion with GMB family. To solve this challenging problem, firstly, we propose an efficient approximation to the GMB family which preserves both the probability hypothesis density (PHD) and cardinality distribution, named as second-order approximation of GMB (SO-GMB) density. Then, we derive explicit expression for the GCI fusion with SO-GMB density. Finally, we compare the first-order approximation of GMB (FO-GMB) density with SO-GMB density in two scenarios and make a concrete analysis of the advantages of the second-order approximation. Simulation results are presented to verify the proposed approach.

研究の動機と目的

• マルチステートティックレーダーシステムにおけるラベル空間の不一致を伴うラベル付き集合フィルタを用いた分散型マルチターゲット追跡の課題に対処すること。
• PHDと基数分布の両方を保持する、一般化多ベルヌーイ（GMB）事後分布の実用的で取り扱いやすい融合手法を開発すること。
• 高密度のターゲットと頻繁な基数変化が生じる追跡状況において、1次近似（FO-GMB）の限界を克服すること。
• SO-GMB密度の明示的GCI融合式を導出し、複雑な追跡環境におけるその優位性を検証すること。

提案手法

• 元のGMBのPHDと基数分布の両方と一致するSO-GMB密度の2次近似を導入する。
• SO-GMB密度のGCIに基づく融合の明示的解析的表現を導出する。これにより、センサー間の相関関係を事前に知らなくても、分散型融合が可能になる。
• バイステートレーダーシステムなどのセンサーネットワークにおけるリアルタイム展開に適した逐次的融合戦略を実装する。
• 各ローカルGMB事後分布をSO-GMBで近似することで、融合精度を向上させるために2次統計的特性を維持する。
• 2つの異なる追跡シナリオにおいて、モンテカルロシミュレーションを用いて提案手法SO-GMB融合と既存のFO-GMB融合を比較する。
• ターゲットのダイナミクスが変化する状況（交差やターゲット死亡を含む）における性能を、OSPA誤差と基数推定統計量を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 GMB密度の2次近似は、1次近似よりもPHDと基数分布の両方をより効果的に保持できるか？
• RQ2 高密度のターゲットと頻繁なターゲット死亡が生じる状況において、SO-GMB密度のGCI融合はFO-GMB融合よりも優れた追跡性能を示すか？
• RQ3 本手法のSO-GMB融合は、ローカルフィルターやFO-GMB融合と比較して、基数推定の安定性とOSPA誤差の観点でどの程度の性能を示すか？
• RQ4 どのような追跡状況において、2次近似が1次近似に比べて顕著な利点を示すか？

主な発見

• シナリオ1では、ターゲットが十分に分離されており、交差はほとんどない状況において、FO-GMBとSO-GMB融合の基数推定性能は類似しており、ターゲット死亡や交差時におけるOSPA誤差の改善はわずかにしか得られない。
• シナリオ2では、頻繁なターゲット交差と死亡が生じる状況において、SO-GMB融合はFO-GMB融合と比較して、基数推定の標準偏差が顕著に低減されており、推定の安定性が向上していることが示された。
• シナリオ2におけるOSPA誤差は、SO-GMB融合により顕著に低減された。これは、複雑で動的な追跡環境下での優位性を示している。
• 提案手法のSO-GMB融合は、特にターゲットの合体や終了イベントの際、FO-GMB融合よりも優れたロバスト性と精度を示した。
• SO-GMB密度の明示的GCI融合式により、未知のセンサ相関下でも効率的でスケーラブルかつ部分最適な融合が可能となり、リアルタイム展開に適している。