[논문 리뷰] Poisson multi-Bernoulli conjugate prior for multiple extended object estimation.

Karl Granström, Maryam Fatemi외 1명|arXiv (Cornell University)|2016. 05. 20.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 19인용 수 14

한 줄 요약

이 논문은 다수의 확장된 목표물 추적을 위한 포아송 다중베르누이 혼합(PMBM) 공액 사전을 제안한다. 이는 탐지되지 않은 목표물에 대해 포아송 과정을, 탐지된 목표물에 대해 다중베르누이 혼합을 사용한다. 이 방법은 예측 및 갱신 단계를 거쳐 PMBM 형태를 유지하며, 감마-가우시안 인버스와이버트 분포 근사법을 통해 계산이 가능한 필터링을 가능하게 하고, 시뮬레이션 및 라이다 실험에서 PHD, CPHD, LMB 필터보다 뛰어난 성능을 보인다.

ABSTRACT

This paper presents a Poisson multi-Bernoulli mixture (PMBM) conjugate prior for multiple extended object estimation. A Poisson point process is used to describe the existence of yet undetected targets, while a multi-Bernoulli mixture describes the distribution of the targets that have been detected. The prediction and update equations are presented for the standard transition density and measurement likelihood. Both the prediction and the update preserve the PMBM form of the density, and in this sense the PMBM density is a conjugate prior. However, the unknown data associations lead to an intractably large number of terms in the PMBM density, and approximations are necessary for tractability. A gamma Gaussian inverse Wishart implementation is presented, along with methods to handle the data association problem. A simulation study shows that the extended target PMBM filter outperforms the extended target PHD, CPHD and LMB filters. An experiment with Lidar data illustrates the benefit of tracking both detected and undetected targets.

연구 동기 및 목표

• 탐지된 및 탐지되지 않은 확장된 목표물을 동시에 추적하는 베이지안 필터링 프레임워크를 개발한다.
• 계산 가능한 공액 사전를 통해 확장된 목표물 추적에서의 알려지지 않은 데이터 연동 문제를 해결한다.
• 예측 및 갱신이 닫힘 형태로 유지되는 PMBM 필터 형식을 확장된 목표물 추적 환경에 적용한다.
• 파rameter 추정을 위해 감마-가우시안 인버스와이버트 분포를 사용한 실용적 구현을 제공한다.
• 시뮬레이션 및 실제 라이다 데이터를 통해 기존 필터보다 성능이 뛰어나다는 것을 검증한다.

제안 방법

• 탐지되지 않은 확장된 목표물의 수와 존재 여부를 모델링하기 위해 포아송 점 과정을 사용한다.
• 공간적 및 운동 상태를 갖는 탐지된 목표물의 사후 분포를 다중베르누이 혼합으로 표현한다.
• PMBM 형태를 유지하는 예측 및 갱신 식을 유도하여 공액성을 확보한다.
• 사후 분포 근사를 위해 감마-가우시안 인버스와이버트 분포를 적용하고, 알려지지 않은 매개변수를 처리한다.
• 알 수 없는 데이터 연동으로 인한 계산이 불가능한 항의 수를 관리하기 위해 근사를 도입한다.
• 확장된 목표물의 표준 전이 밀도 및 측정 가능도를 사용하여 필터를 구현한다.

실험 결과

연구 질문

• RQ1 탐지된 및 탐지되지 않은 목표물을 모두 모델링할 수 있는 다수의 확장된 목표물 추적을 위한 공액 사전를 구성할 수 있는가?
• RQ2 PMBM 필터는 어떻게 확장된 목표물의 동역학 및 측정치를 처리할 수 있는가?
• RQ3 데이터 연동 불확실성은 PMBM 필터의 성능과 계산 가능성에 어떤 영향을 미치는가?
• RQ4 제안된 PMBM 필터는 PHD, CPHD, LMB와 같은 기존 필터보다 확장된 목표물 추적에서 어떻게 비교되는가?
• RQ5 실제 라이다 데이터는 탐지된 및 탐지되지 않은 목표물을 모두 추적하는 데서 유용성을 입증할 수 있는가?

주요 결과

• 시뮬레이션 연구에서 확장된 목표물 PMBM 필터는 확장된 목표물 PHD, CPHD, LMB 필터를 모두 능가한다.
• 감마-가우시안 인버스와이버트 구현은 복잡한 데이터 연동 문제에도 불구하고 계산 가능성을 보장한다.
• 필터는 탐지된 및 탐지되지 않은 목표물을 성공적으로 추적하여 전체 추적 정확도를 향상시킨다.
• 시뮬레이션 결과는 예측 및 갱신 단계에서 PMBM 형태의 유지가 확인된다.
• 라이다 데이터 실험은 실제 추적 시나리오에서의 방법의 실용적 유용성을 검증한다.
• 알 수 없는 데이터 연동으로 인한 항의 폭발 문제를 근사를 통해 효과적으로 다룬다.