[论文解读] An extended target tracking model with multiple random matrices and unified kinematics

Karl Granström|arXiv (Cornell University)|Jun 9, 2014

Target Tracking and Data Fusion in Sensor Networks参考文献 22被引用 45

一句话总结

本文提出了一种新型的扩展目标跟踪模型，将目标表示为多个椭圆子对象，采用伽马-高斯-逆威沙特贝叶斯滤波器联合估计运动学参数与目标扩展特性。通过使用随机矩阵建模子对象的位置与形状，该方法在复杂场景中提升了精度，在仿真中表现优于先前的单椭圆模型。

ABSTRACT

This paper presents a model for tracking of extended targets, where each target is represented by a given number of elliptic subobjects. A gamma Gaussian inverse Wishart implementation is derived, and necessary approximations are suggested to alleviate the data association complexity. A simulation study shows the merits of the model compared to previous work on the topic.

研究动机与目标

• 解决单椭圆模型在表示具有不规则形状的复杂扩展目标时的局限性。
• 将扩展目标建模为一组椭圆子对象，以更好地捕捉几何复杂性。
• 开发一种可处理的贝叶斯滤波框架，利用随机矩阵联合估计运动学参数与扩展参数。
• 通过近似方法降低数据关联复杂度，同时保持估计精度。
• 为集成到多种扩展目标跟踪框架（如PHD/CPHD滤波器）提供基础。

提出的方法

• 将每个扩展目标表示为一组椭圆子对象，每个子对象具有独立的位置与形状参数。
• 使用高斯-逆威沙特共轭先验对子对象位置与协方差矩阵进行建模，以支持贝叶斯推断。
• 引入伽马-高斯-逆威沙特滤波器，联合估计目标状态、扩展特性及子对象数量。
• 对似然函数应用近似，以降低数据关联中的计算复杂度。
• 利用共轭先验与矩阵变量子分布，推导后验分布的闭式更新方程。
• 使用广义矩阵变量子分布类型II近似子对象参数的边缘似然。

实验结果

研究问题

• RQ1 将扩展目标建模为多个椭圆子对象是否能相比单椭圆模型提升跟踪精度？
• RQ2 如何通过随机矩阵构建贝叶斯滤波框架，联合估计运动学与扩展参数？
• RQ3 可应用哪些近似方法降低数据关联复杂度而不牺牲估计精度？
• RQ4 当目标整体形状无法由单一几何形式描述时，该模型在性能上表现如何？
• RQ5 子对象的分布与数量对扩展目标跟踪器估计性能有何影响？

主要发现

• 在具有复杂目标形状的场景中，所提模型显著优于单椭圆扩展目标跟踪模型。
• 使用多个椭圆子对象可准确表示整体形状无法由单个椭圆捕获的目标。
• 伽马-高斯-逆威沙特实现支持闭式贝叶斯更新，提升了计算效率。
• 对似然函数的近似有效降低了数据关联复杂度，同时保持了估计精度。
• 仿真结果表明，与先前方法相比，目标扩展、位置与朝向的估计性能得到提升。
• 该框架可通过与PHD/CPHD滤波器集成扩展至多目标场景，具备良好的未来可扩展性。