[논문 리뷰] Multi-target Joint Detection, Tracking and Classification Based on Generalized Bayesian Risk using Radar and ESM sensors

Minzhe Li, Zhongliang Jing|arXiv (Cornell University)|2018. 07. 06.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 6인용 수 5

한 줄 요약

이 논문은 일반화된 베이지안 리스크와 레이블이 부여된 무작위 유한집합(RFS)을 기반으로 레이더 및 ESM 센서를 사용한 새로운 다중 타깃 동시 탐지, 추적, 분류(JDTC) 프레임워크를 제안한다. 조건부 레이블이 부여된 다중 베르누이 필터를 통해 탐지, 추적, 분류 비용을 동시에 최소화함으로써 작업 간 상호의존성을 명시적으로 모델링하며, 시뮬레이션에서 전통적인 ETD 및 DTE 방법에 비해 향상된 정확도를 보이며 명시적인 클래스 결정을 제공하는 뛰어난 성능을 달성한다.

ABSTRACT

In this paper, a novel approach is proposed for multi-target joint detection, tracking and classification based on the labeled random finite set and generalized Bayesian risk using Radar and ESM sensors. A new Bayesian risk is defined for the labeled random finite set variables involving the costs of multi-target cardinality estimation (detection), state estimation (tracking) and classification. The inter-dependence of detection, tracking and classification is then utilized with the minimum Bayesian risk. Furthermore, the conditional labeled multi-Bernoulli filter is developed to calculate the estimates and costs for different hypotheses and decisions of target classes using attribute and dynamical measurements. Moreover, the performance is analyzed. The effectiveness and superiority of the proposed approach are verified using numerical simulations.

연구 동기 및 목표

• 비행체 감시 시스템에서 다중 타깃 탐지, 추적, 분류 간 상호의존성을 해결하기 위해.
• 탐지, 추적, 분류를 독립적인 과정으로 간주하는 전통적인 이단계 접근 방식(ETD 및 DTE)의 한계를 극복하기 위해.
• 기수, 상태, 클래스 추정의 비용을 통합하여 총 베이지안 리스크를 최소화하는 통합된 의사결정 및 추정 프레임워크를 개발하기 위해.
• 재귀적 베이지안 추론을 통해 정확한 상태 추정을 유지하면서도 실시간으로 명시적인 타깃 클래스 결정을 가능하게 하기 위해.
• 클래스에 따라 다른 성분을 사용하여 다중 타깃 밀도를 근사화함으로써 계산 복잡도를 감소시키기 위해.

제안 방법

• 다중 타깃 기수 추정(탐지), 상태 추정(추적), 분류의 비용을 통합한 새로운 일반화된 베이지안 리스크를 레이블이 부여된 RFS에 적용한다.
• 운동학적 및 특성 측정치를 기반으로 다양한 가설 하에서 후행 상태 추정치와 클래스 확률을 계산하기 위해 조건부 레이블이 부여된 다중 베르누이(CJDE-LMB) 필터를 개발한다.
• 베이즈 재귀를 사용하여 다중 타깃 후행 밀도를 갱신하며, 측정치-타깃-연결(모델링, MTA)을 명시적으로 고려하고 통합된 베이지안 리스크를 최소화한다.
• 효율적인 후행 밀도 갱신을 가능하게 하기 위해 가우시안 혼합 근사를 사용하여 알고리즘을 구현한다.
• 탐지, 추적, 분류 비용 간 균형을 맞추기 위해 가중치 계수(α, β, γ)를 도입하여 다양한 운영 우선순위에 맞게 조정할 수 있도록 한다.
• 전체 시스템 성능을 탐지, 추적, 분류 과업 전반에서 평가하기 위해 연합 성능 지표(JPM)를 적용한다.

실험 결과

연구 질문

• RQ1 레이더 및 ESM 센서를 사용한 다중 타깃 시나리오에서 탐지, 추적, 분류를 어떻게 동시 최적화할 수 있는가?
• RQ2 탐지, 추적, 분류 간 상호의존성을 모델링할 경우 전체 시스템 성능에 어떤 영향을 미치는가?
• RQ3 다른 비용 계수(α, β, γ)는 탐지 정확도, 추적 정밀도, 분류 신뢰성 간의 트레이드오프에 어떤 영향을 미치는가?
• RQ4 통합된 베이지안 리스크 프레임워크는 전통적인 이단계 ETD 및 DTE 접근 방식에 비해 다중 타깃 JDTC에서 더 나은 성능을 낼 수 있는가?
• RQ5 확률적 클래스 추론 대비 명시적인 클래스 결정 수립이 성능 향상에 얼마나 기여하는가?

주요 결과

• 제안된 CJDE-LMB 알고리즘은 OSPA 거리가 낮고 연합 성능 지표(JPM)가 향상되어 ETD 및 YW-JDTC 방법에 비해 다중 타깃 탐지, 추적, 분류 성능에서 뛰어난 성능을 보였다.
• 탐지 비용 계수 γ를 100으로 설정한 경우, 조작 중에도 모든 타깃이 정확히 탐지되었지만, γ = 10일 경우 부족한 거짓 음성 방지 조치로 인해 탐지 누락이 발생했다.
• γ = 10 조건에서 추적 및 분류 성능이 심각하게 저하된 것은 잘못된 탐지로 인한 것으로, 탐지가 정확한 추적 및 분류의 전제 조건임을 확인했다.
• YW-JDTC가 클래스 확률만 출력하는 데 반해, 본 방법은 명시적인 클래스 결정을 제공하므로 해석 가능성과 의사결정 활용도가 향상된다.
• 가우시안 혼합 구현을 통해 효율적인 재귀 계산이 가능해져 계산 복잡도를 감소시키면서도 높은 정확도를 유지할 수 있었다.
• 시뮬레이션 결과는 일반화된 베이지안 리스크를 통해 탐지, 추적, 분류 간 상호의존성을 고려함으로써 전체 시스템 성능이 향상됨을 검증하였다.