[论文解读] Multi-target filtering with linearised complexity

Jérémie Houssineau, Daniel E. Clark|arXiv (Cornell University)|Apr 29, 2014

Target Tracking and Data Fusion in Sensor Networks参考文献 18被引用 4

一句话总结

该论文提出HISP滤波器，一种多目标跟踪算法，通过在部分可区分的多目标框架中运用直观近似，实现线性计算复杂度。在低检测概率和高虚警条件下，其跟踪精度优于PHD、CPHD和LMB滤波器，通过保持独立的目标轨迹并计算后验检测概率实现。

ABSTRACT

An algorithm for the estimation of multiple targets from partial and corrupted observations is introduced based on the concept of partially-distinguishable multi-target system. It combines the advantages of engineering solutions like MHT with the rigour of point-process-based methods. It is demonstrated that under intuitive assumptions and approximations, the complexity of the proposed multi-target estimation algorithm can be made linear in the number of tracks and linear in the number of observations, while naturally preserving distinct tracks for detected targets, unlike point-process-based methods.

研究动机与目标

• 解决如MHT和DISP滤波器等精确多目标滤波方法的高计算复杂度问题。
• 克服基于点过程的方法（如PHD滤波器）存在的不可区分性局限，后者无法有效追踪个体目标。
• 开发一种计算效率高的算法，在保持严格统计基础的同时保留轨迹身份。
• 在近似精度与计算可行性之间取得平衡，以适用于实时多目标跟踪应用。
• 在低检测概率和高虚警率等挑战性条件下展示算法的鲁棒性。

提出的方法

• 使用部分可区分框架形式化多目标系统，区分已检测（可区分）目标与未检测（不可区分）目标。
• 提出HISP滤波器作为基于目标状态与观测的假设表示的递归贝叶斯估计算法。
• 在更新步骤中应用关键近似，解耦假设传播，将复杂度从指数级降低至与轨迹数和观测数成线性关系。
• 使用轨迹提取窗口以保持时间一致性并减少虚假轨迹生成。
• 引入后验检测概率估计，降低对先验检测概率 $p_d$ 的依赖。
• 利用空状态 ($\psi_\sharp$, $\psi_\flat$) 和空观测 ($\phi$) 在统一的状态-观测空间中建模目标消失与虚警。

实验结果

研究问题

• RQ1 多目标跟踪算法能否在实现线性计算复杂度的同时保持个体轨迹身份？
• RQ2 在低检测概率和高虚警率条件下，HISP滤波器与PHD、CPHD和LMB滤波器的性能相比如何？
• RQ3 持续概率 $p_\pi$ 对轨迹稳定性和估计精度有何影响？
• RQ4 轨迹提取窗口长度如何影响滤波器性能与计算成本？
• RQ5 后验检测概率在多大程度上提升了对先验检测概率不准确的鲁棒性？

主要发现

• HISP滤波器在轨迹数和观测数上均实现线性复杂度，使其可扩展至大规模系统。
• 在情形1（高检测概率）中，HISP滤波器保持最低的OSPA距离，优于PHD、CPHD和LMB滤波器。
• 在情形2（低检测概率，$p_d = 0.5$）中，由于后验检测概率估计降低了对先验的敏感性，HISP滤波器表现出最低的平均OSPA距离。
• 在情形3（高虚警率，$n_\flat \approx 167$）中，HISP滤波器优于PHD和CPHD滤波器，尽管CPHD和LMB滤波器对目标出现的响应更快。
• HISP滤波器对持续概率 $p_\pi$ 极为敏感，$p_\pi = 1$ 可确保轨迹持续，而 $p_\pi \leq p_d$ 在检测失败后将导致轨迹丢失。
• HISP滤波器的计算时间高于PHD滤波器，且随着轨迹提取窗口长度增加，相对时间呈线性增长。