[论文解读] Alternative multi-Bernoulli filters (extended version)

Jason Williams|arXiv (Cornell University)|Mar 14, 2012

Target Tracking and Data Fusion in Sensor Networks被引用 4

一句话总结

本文提出了一种计算上可行的随机有限集（RFS）滤波器替代方案，通过在多伯努利滤波中整合数据关联，利用高精度的边际关联概率近似，解决了现有RFS滤波器的计算难题。该工作提出了边际轨迹滤波器（MTF）和一种改进的MeMBer滤波器，有效缓解了轨迹合并问题，并在具有挑战性的多目标跟踪场景中表现出优异性能。

ABSTRACT

Random finite sets (RFSs) has been a fruitful area of research in recent years, yielding new approximate filters such as the probability hypothesis density (PHD), cardinalised PHD (CPHD), and multiple target multi-Bernoulli (MeMBer). These new methods have largely been based on approximations that side-step the need for measurement-to-track association in order to maintain tractability. Due to their relative intractability, methods that incorporate data association have received little attention. This paper provides a RFS algorithm that incorporates data association, but retains computational tractability via a recently developed, high quality approximation of marginal association probabilities. A derivation of the full Bayes RFS filter is provided, demonstrating a conjugate prior for commonly invoked assumptions. Different approximations are applied in order to obtain tractable algorithms, which maintain a multi-Bernoulli representation. The methods proposed include the marginal track filter (MTF), which is a natural extension of the joint target detection and tracking (JoTT) filter to multiple targets, and a variant of the MeMBer filter which retains its structure, but utilises the approximate marginal association weights. A solution to the coalescence issues of the MTF is proposed, and promising performance is demonstrated in a challenging scenario. This extended version incorporates proofs of two results not included in the main paper due to space limitations.

研究动机与目标

• 开发一种计算上可行的RFS滤波器，整合数据关联，克服完整贝叶斯多目标滤波的不可计算性。
• 在保持其处理多目标能力的同时，解决边际轨迹滤波器（MTF）固有的轨迹合并问题。
• 通过在不改变其核心结构的前提下整合近似边际关联权重，扩展MeMBer滤波器。
• 在标准假设下建立共轭先验框架，以实现在多目标滤波中的解析可计算性。
• 在传统RFS滤波器因缺乏数据关联而表现不佳的复杂跟踪场景中，展示性能的显著提升。

提出的方法

• 在常见假设下，利用共轭先验推导完整贝叶斯RFS滤波器，实现解析可计算性。
• 应用近期发展的高精度边际关联概率近似方法，以维持计算可行性。
• 提出边际轨迹滤波器（MTF）作为联合目标检测与跟踪（JoTT）滤波器向多目标场景的自然延伸。
• 开发一种保留原始结构但整合近似边际关联权重的MeMBer滤波器变体。
• 通过优化轨迹管理与关联逻辑，提出解决MTF中轨迹合并问题的方案。
• 全程采用多伯努利表示，确保在多目标环境中计算高效且可扩展。

实验结果

研究问题

• RQ1 能否在不牺牲计算可行性的前提下，将数据关联有效整合到多伯努利RFS滤波器中？
• RQ2 如何在保持MTF多目标跟踪能力的同时，解决其固有的轨迹合并问题？
• RQ3 在复杂场景中，使用近似边际关联概率对跟踪精度与稳定性有何影响？
• RQ4 所提出的MTF在性能与鲁棒性方面相较于现有MeMBer和PHD型滤波器表现如何？
• RQ5 能否在标准假设下为多伯努利滤波器建立共轭先验框架，以实现解析滤波？

主要发现

• 所提出的MTF在解决轨迹合并问题后，在具有挑战性的多目标跟踪场景中，性能优于标准MeMBer和PHD滤波器。
• 通过整合近似边际关联概率，实现了多伯努利滤波器中的数据关联，同时保持了计算可行性。
• 改进后的MeMBer滤波器在保留原始结构的同时，通过更优的关联处理提升了跟踪精度。
• 在标准假设下推导出的共轭先验框架，使完整贝叶斯RFS滤波器的解析推导成为可能，增强了理论基础。
• 扩展版本包含了主论文中未包含的两个关键结果的证明，进一步强化了所提方法的理论基础。