[论文解读] A metric for sets of trajectories that is practical and mathematically consistent

José Bento, Zhu, Jia Jie|arXiv (Cornell University)|Jan 12, 2016

Data Management and Algorithms参考文献 40被引用 14

一句话总结

本文提出了一种新颖且数学上一致的轨迹集合度量，该度量在计算效率和处理轨迹身份混淆方面均表现最优。通过将关联问题表述为凸优化问题，该方法实现了多项式时间计算，同时满足所有度量公理，在合成基准测试中，其理论一致性和实际性能均优于现有的 OSPA-ST 和 CLEAR MOT 等方法。

ABSTRACT

Metrics on the space of sets of trajectories are important for scientists in the field of computer vision, machine learning, robotics, and general artificial intelligence. However, existing notions of closeness between sets of trajectories are either mathematically inconsistent or of limited practical use. In this paper, we outline the limitations in the current mathematically-consistent metrics, which are based on OSPA (Schuhmacher et al. 2008); and the inconsistencies in the heuristic notions of closeness used in practice, whose main ideas are common to the CLEAR MOT measures (Keni and Rainer 2008) widely used in computer vision. In two steps, we then propose a new intuitive metric between sets of trajectories and address these limitations. First, we explain a solution that leads to a metric that is hard to compute. Then we modify this formulation to obtain a metric that is easy to compute while keeping the useful properties of the previous metric. Our notion of closeness is the first demonstrating the following three features: the metric 1) can be quickly computed, 2) incorporates confusion of trajectories' identity in an optimal way, and 3) is a metric in the mathematical sense.

研究动机与目标

• 为计算机视觉与机器学习领域中轨迹集合的比较，解决缺乏数学上一致且实用的度量方法的问题。
• 解决现有度量方法（如 CLEAR MOT 和 OSPA-ST）的局限性，这些方法或违反度量公理，或以限制关联方式导致反直觉结果。
• 开发一种允许轨迹间随时间变化关联的度量方法，实现在保持计算可行性的同时，对身份切换进行最优处理。
• 确保所提出的度量满足所有数学度量性质（非负性、不可区分者的同一性、对称性、三角不等式），同时具备高效可计算性。

提出的方法

• 将轨迹相似性问题表述为一个凸优化问题，通过随时间变化的关联联合最小化距离代价和切换代价。
• 采用两步法：首先，定义一个理论上最优但计算困难的度量，基于所有帧上的完整分配问题；其次，将其松弛为可计算的、多项式时间的版本。
• 使用距离代价（平均轨迹偏差）与切换代价（身份变更惩罚）的加权组合作为目标函数。
• 应用松弛技术，将离散分配问题转化为连续凸规划问题，从而可通过标准优化求解器高效求解。
• 将最终度量定义为 $\mathcal{D}_{\text{comp}}$，即该凸规划的最优值，确保数学一致性与实际计算效率。

实验结果

研究问题

• RQ1 能否设计一种轨迹集合度量，使其在数学上一致且计算高效，同时不牺牲对身份混淆处理的最优性？
• RQ2 为何现有广泛使用的度量（如 CLEAR MOT 和 OSPA-ST）无法满足度量公理？其失败带来的实际后果是什么？
• RQ3 如何建模轨迹间的时变关联，以全局最优方式同时优化距离与切换代价？
• RQ4 是否可能设计一种度量，允许在时间上动态重新识别轨迹，同时保持三角不等式及其他度量性质？

主要发现

• 所提出的度量 $\mathcal{D}_{\text{comp}}$ 是首个在允许轨迹间时变关联的同时，完全满足所有数学度量公理的度量。
• 在包含 2400 种不同配置的合成数据上，$\mathcal{D}_{\text{comp}}$ 的 AUC（受权衡曲线下的面积）始终低于 MOTP，表明其在存在噪声、碎片化和身份切换的情况下，具有更强的相似性检测能力。
• 在所有测试参数（噪声振幅、删除概率、碎片化概率、切换距离）下，$\mathcal{D}_{\text{comp}}$ 的 AUC 均显著低于 MOTP，证明其对真实相似性的鲁棒性与敏感性。
• 该度量在全局最优的凸框架中平衡了距离与切换代价，优于启发式方法（如 CLEAR MOT）和数学上一致但具有限制性的度量（如 OSPA-ST）。
• $\mathcal{D}_{\text{comp}}$ 的计算复杂度为多项式时间，使其在实际应用中具备可扩展性与实用性，适用于跟踪、聚类与检索等任务。
• 该方法的通用框架——使用凸规划定义轨迹集合的度量——可扩展至未来工作中的不确定性建模与更丰富的比较任务。