[論文レビュー] Distributed Variational Bayesian Algorithms for Extended Object Tracking

Junhao Hua, Chunguang Li|arXiv (Cornell University)|Mar 1, 2019

Target Tracking and Data Fusion in Sensor Networks参考文献 40被引用数 13

ひとこと要約

本稿では、センサーネットワークにおける拡張対象追跡のための分散型変分ベイズアルゴリズムを提案する。対象の拡張性は対称正定値行列でモデル化され、運動状態、拡張性、未知の測定ノイズを同時に推定する。変分推論とADMMを用いることで、解析的近似を用いたスケーラブルで協調的な推定が可能となり、拡張対象およびグループ対象追跡のシナリオにおいてシミュレーションで検証された。

ABSTRACT

This paper is concerned with the problem of distributed extended object tracking, which aims to collaboratively estimate the state and extension of an object by a network of nodes. In traditional tracking applications, most approaches consider an object as a point source of measurements due to limited sensor resolution capabilities. Recently, some studies consider the extended objects, which are spatially structured, i.e., multiple resolution cells are occupied by an object. In this setting, multiple measurements are generated by each object per time step. In this paper, we present a Bayesian model for extended object tracking problem in a sensor network. In this model, the object extension is represented by a symmetric positive definite random matrix, and we assume that the measurement noise exists but is unknown. Using this Bayesian model, we first propose a novel centralized algorithm for extended object tracking based on variational Bayesian methods. Then, we extend it to the distributed scenario based on the alternating direction method of multipliers (ADMM) technique. The proposed algorithms can simultaneously estimate the extended object state (the kinematic state and extension) and the measurement noise covariance. Simulations on both extended object tracking and group target tracking are given to verify the effectiveness of the proposed model and algorithms.

研究の動機と目的

• 従来の点対象モデルが重要な空間的情報を失うため、センサーネットワークにおける分散型拡張対象追跡手法の不足を解消すること。
• 運動状態と確率的行列に基づく拡張性を持つ空間的に構造化された実体として拡張対象をモデル化し、サイズ、形状、姿勢を捉えること。
• 分散ベイズフレームワーク内で拡張対象状態と未知の測定ノイズ共分散を統合的に推定することで、ロバスト性とスケーラビリティを向上させること。
• 変分ベイズ手法とADMMを用いて、分散実装に適したスケーラブルで協調的な推論アルゴリズムを開発すること。
• 現実的なセンサーノイズと空間的拡張を想定した、拡張対象追跡およびグループ対象追跡の両シナリオで、提案アルゴリズムを検証すること。

提案手法

• 対象の拡張性を対称正定値確率的行列として表現するベイズモデルを定式化し、測定値は拡張性行列にリンクされた共分散を持つガウス分布でモデル化する。
• ノイズのない測定値を表す潜在変数を導入することで、変分推論に適した完全な尤度モデルを構築する。
• 運動状態、拡張性行列、ノイズ共分散に共役事前分布を適用し、変分ベイズ推論における解析的取り扱いを保証する。
• 平均場近似を用いて、拡張対象状態とノイズパラメータの後験的周辺分布を計算する集中型変分ベイズアルゴリズムを導出する。
• 交互方向乗数法（ADMM）を用いて、集中型アルゴリズムを分散環境に拡張し、局所的計算と隣接ノード間の情報交換を可能にする。
• ADMMを用いて分散最適化問題を解く際、変分目的関数をノードごとの局所的サブ問題とノード間の一致制約に分解する。

実験結果

リサーチクエスチョン

• RQ1 分散型ベイズフレームワークは、拡張対象追跡において運動状態、拡張性、未知の測定ノイズを統合的に推定可能か？
• RQ2 変分ベイズ推論は、分散センサーネットワークにおける確率的行列による拡張性とノイズ共分散の統合推定に対応できるか？
• RQ3 集中型または点対象モデルと比較して、分散型変分ベイズアプローチは拡張対象追跡においてどの程度の性能向上を達成するか？
• RQ4 提案されたADMMベースの分散アルゴリズムは、通信量と計算負荷を最小限に抑えながら推定精度を維持できるか？
• RQ5 複数の密接に配置された対象を1つの拡張対象として扱うグループ対象追跡に、このアルゴリズムはどの程度一般化可能か？

主な発見

• 提案された分散型変分ベイズアルゴリズムは、拡張対象追跡およびグループ対象追跡の両シナリオにおいて、拡張対象状態と測定ノイズ共分散を高精度に統合的に推定する。
• シミュレーションにより、特に高ノイズおよび強い空間的拡張が生じる状況下で、従来の点対象追跡手法を上回る状態推定および拡張性推定の精度を示した。
• 変分ベイズ推論の使用により、モンテカルロサンプルの計算負荷を回避しつつも、ロバスト性を維持できる。
• ADMMベースの分散実装により収束性とスケーラビリティが保証され、各ノードが1ホップの隣接ノード情報のみを用いて局所的更新を行う。
• 推論プロセス中にノイズ共分散構造を学習することで、未知の測定ノイズを効果的に処理し、実世界の条件下でのロバスト性が向上した。
• 変分パラメータ（平均、共分散、ノイズ精度）の閉形式更新式が導出されたため、効率的で安定した再帰的推定が可能となった。