[论文解读] Single-cluster PHD filter methods for joint multi-object filtering and parameter estimation

Isabel Schlangen, Daniel E. Clark+1 more|arXiv (Cornell University)|May 15, 2017

Target Tracking and Data Fusion in Sensor Networks被引用 5

一句话总结

本文提出了一种统一的单簇PHD与CPHD滤波框架，通过点过程模型联合估计多目标状态与未知参数（如传感器校准或机器人定位）。通过基于泊松、帕杰尔（Panjer）和i.i.d.簇过程的似然函数，将参数估计整合到滤波过程中，与独立估计方法相比，该方法提高了精度并减少了系统性误差。

ABSTRACT

Many multi-object estimation problems require additional estimation of model or sensor parameters that are either common to all objects or related to unknown characterisation of one or more sensors. Important examples of these include registration of multiple sensors, estimating clutter profiles, and robot localisation. Often these parameters are estimated separately to the multi-object estimation process, which can lead to systematic errors or overconfidence in the estimates. These parameters can be estimated jointly with the multi-object process based only on the sensor data using a single-cluster point process model. This paper presents novel results for joint parameter estimation and multi-object filtering based on a single-cluster second-order Probability Hypothesis Density (PHD) and Cardinalised PHD (CPHD) filter. Experiments provide a comparison between the discussed approaches using different likelihood functions.

研究动机与目标

• 解决因独立估计多目标状态与传感器/模型参数而引发的系统性误差与过度自信问题。
• 开发一种统一的滤波框架，利用单簇点过程模型联合估计多目标状态与共用参数。
• 在不同随机假设（泊松、帕杰尔、i.i.d.簇）下，比较PHD、二阶PHD与CPHD滤波器在联合估计中的性能表现。
• 在仿真中验证所提方法相对于最先进的RFS-based SLAM公式的有效性。

提出的方法

• 采用两级层次化点过程模型，将目标与杂波建模为具有共享参数的随机有限集。
• 应用概率假设密度（PHD）与广义概率假设密度（CPHD）滤波器，传播多目标后验分布的一阶与二阶矩。
• 基于泊松、负二项分布（帕杰尔）与i.i.d.簇过程，构建广义似然函数以建模目标与杂波分布。
• 利用概率生成泛函（PGFLs）推导出在不同过程假设下多目标似然的闭式表达式。
• 在粒子滤波框架中实现，其中每个粒子代表一个未知参数的假设，并关联多目标统计量（强度、方差、基数分布）。
• 采用基于有效样本量阈值的重采样策略，以维持粒子多样性并防止退化。

实验结果

研究问题

• RQ1 与顺序估计相比，联合估计多目标状态与未知参数在精度方面有何提升？
• RQ2 在使用不同随机假设（泊松、帕杰尔、i.i.d.簇）建模目标与杂波过程时，PHD、二阶PHD与CPHD滤波器的性能差异是什么？
• RQ3 单簇PHD框架能否在无需显式地标建模的情况下，有效处理传感器校准与SLAM的参数估计？
• RQ4 基于泊松、帕杰尔与i.i.d.簇过程的似然函数在估计精度与鲁棒性方面有何比较？
• RQ5 将目标与杂波过程建模为独立分布（如二项分布、泊松分布、负二项分布）对联合估计性能有何影响？

主要发现

• 所提出的联合估计框架相比独立估计方法，显著减少了系统性误差与过度自信，因为参数与目标状态被一致地学习。
• 基于帕杰尔过程的二阶PHD滤波器通过同时建模目标过程的强度与方差，相比标准PHD与CPHD滤波器，提供了更高的精度。
• 采用i.i.d.簇过程建模的CPHD滤波器在基数估计方面优于其他方法，尤其在高杂波与低检测率条件下表现更优。
• 仿真结果表明，所提方法在估计精度上可与最先进的RFS-based SLAM公式相媲美，同时避免了显式地标表示。
• 使用不同似然函数（泊松、帕杰尔、i.i.d.簇）导致不同的性能权衡，其中基于帕杰尔的似然函数在测试场景中提供了最佳的精度与鲁棒性平衡。
• 基于有效样本量的重采样策略在粒子滤波实现中有效维持了长时间序列下的稳定性能，防止了粒子退化。