[論文レビュー] The Marginalized $\delta$-GLMB Filter

Claudio Fantacci, Ba-Tuong Vo+2 more|arXiv (Cornell University)|Jan 5, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 32被引用数 29

ひとこと要約

本稿では、データ連携履歴の周辺化により事後分布のPHDと標高分布を保持する、δ-GLMBフィルタの計算効率の良い近似手法である、マージナル化δ-GLMB（Mδ-GLMB）フィルタを提案する。この手法により、コンポーネントの増加が抑制され、正確性を維持したまま、トラッキングの計算が可能になる多センサ追跡が実現される。

ABSTRACT

The multi-target Bayes filter proposed by Mahler is a principled solution to recursive Bayesian tracking based on RFS or FISST. The $\delta$-GLMB filter is an exact closed form solution to the multi-target Bayes recursion which yields joint state and label or trajectory estimates in the presence of clutter, missed detections and association uncertainty. Due to presence of explicit data associations in the $\delta$-GLMB filter, the number of components in the posterior grows without bound in time. In this work we propose an efficient approximation to the $\delta$-GLMB filter which preserves both the PHD and cardinality distribution of the labeled posterior. This approximation also facilitates efficient multi-sensor tracking with detection-based measurements. Simulation results are presented to verify the proposed approach.

研究の動機と目的

• 明示的なデータ連携によるコンポーネントの無限大増加に起因するδ-GLMBフィルタの計算負荷を軽減すること。
• 真の事後分布の主要な統計的性質を保持する、ラベル付きRFS事後分布の整合的近似を構築すること。
• ターゲット間の統計的依存関係を維持しつつ、スケーラブルで低複雑性の多センサマルチターゲット追跡を可能にすること。
• 新たなMδ-GLMBフレームワークに基づき、LMBフィルタの別導出を提供すること。
• 部分観測と高クラッター環境下での手法の有効性を実証すること。

提案手法

• δ-GLMBフィルタにおけるデータ連携履歴の周辺化を提案し、コンポーネント数の増加を低減する。
• GLMB族を用いて真の事後分布のPHDと標高分布を一致させる、整合的な近似を実現する。
• ラベル付きRFS密度の閉形式近似を適用し、追跡に必要な十分統計量を保持する。
• 完全な連携マップではなく、周辺化されたコンポーネントを用いて予測と更新ステップを計算するフィルタリング再帰式を導入する。
• δ-GLMBの構造を活用しつつ、明示的な連携追跡を排除することで、記憶容量と計算量を削減する。
• コンポーネントの重みとラベルに関する特定の仮定の下で、LMBフィルタをMδ-GLMBフィルタの特殊ケースとして導出する。

実験結果

リサーチクエスチョン

• RQ1 真の事後分布のPHDと標高分布を保持しつつ、δ-GLMBフィルタの計算効率の良い近似を構築できるか？
• RQ2 δ-GLMBフィルタにおいてデータ連携履歴を周辺化することで、コンポーネントの増加が抑えられ、追跡精度が損なわれないか？
• RQ3 Mδ-GLMBフィルタは、完全なδ-GLMBでは非現実的である多センサマルチターゲット追跡を実現可能か？
• RQ4 標高推定とOSPA誤差の観点から、Mδ-GLMBフィルタはδ-GLMBおよびLMBフィルタと比較してどのように差が現れるか？
• RQ5 LMBフィルタは、提案されたMδ-GLMBフレームワークの特殊ケースとして導出可能か？

主な発見

• Mδ-GLMBフィルタは、単一レーダーおよび多時刻到達（TOA）シナリオの両方において、δ-GLMBフィルタとほぼ同一の標高推定精度を達成する。
• 3-TOAシナリオでは、LMBフィルタはトラック損失のため標高の標準偏差とOSPA誤差が高くなるが、Mδ-GLMBはδ-GLMBの性能を再現する。
• Mδ-GLMBフィルタのOSPA距離は、δ-GLMBフィルタと一貫して近く、100回のモンテカルロ試行の平均で50 m未満の差異を示す。
• Mδ-GLMBフィルタは、δ-GLMBに比べてコンポーネント数の増加を顕著に低減し、計算および記憶要件を大幅に削減する。
• LMBフィルタはMδ-GLMBフィルタの特殊ケースとして導出され、フレームワークの整合性が裏付けられる。
• 提案手法により、連携マップの指数的増加を回避することで、多センサ追跡の実行可能性が向上する。