[论文解读] Consensus Labeled Random Finite Set Filtering for Distributed Multi-Object Tracking

Claudio Fantacci, Ba‐Ngu Vo+3 more|arXiv (Cornell University)|Jan 7, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 36被引用 54

一句话总结

本文提出两种基于一致性机制的新型分布式多目标跟踪滤波器——一致性边际化δ-广义标记多伯努利（Mδ-GLMB）与一致性标记多伯努利（LMB）——采用带标记的随机有限集（RFS）与Kullback-Leibler平均方法，实现鲁棒、可扩展且完全分布式的估计。该方法可避免‘幽灵效应’，并确保融合过程的代数封闭性，从而在传感器网络中实现精确、去中心化的多目标跟踪。

ABSTRACT

This paper addresses distributed multi-object tracking over a network of heterogeneous and geographically dispersed nodes with sensing, communication and processing capabilities. The main contribution is an approach to distributed multi-object estimation based on labeled Random Finite Sets (RFSs) and dynamic Bayesian inference, which enables the development of two novel consensus tracking filters, namely a Consensus Marginalized $δ$-Generalized Labeled Multi-Bernoulli and Consensus Labeled Multi-Bernoulli tracking filter. The proposed algorithms provide fully distributed, scalable and computationally efficient solutions for multi-object tracking. Simulation experiments via Gaussian mixture implementations confirm the effectiveness of the proposed approach on challenging scenarios.

研究动机与目标

• 解决现有分布式多目标跟踪（DMOT）方法在缺乏轨迹估计的同时，存在信息重复计数的问题。
• 为异构、地理分布广泛的传感器网络开发完全分布式、可扩展且计算高效的多目标跟踪算法。
• 利用带标记的随机有限集（RFS）实现轨迹级估计，避免在无标记RFS滤波器中常见的‘幽灵效应’。
• 通过Kullback-Leibler平均方法确保在不确定性下的鲁棒融合，该方法天然免疫于数据 incest（数据重复）与重复计数问题。
• 建立Mδ-GLMB与LMB密度在K-L平均下的代数封闭性，从而支持一致的基于一致性的融合。

提出的方法

• 采用带标记RFS建模多目标跟踪问题，通过唯一标识符表示目标轨迹，实现轨迹级估计。
• 应用边际化δ-广义标记多伯努利（Mδ-GLMB）与标记多伯努利（LMB）滤波器作为带标记RFS滤波的可计算近似方法。
• 采用Kullback-Leibler（K-L）平均作为融合规则，整合网络中各节点的本地多目标密度，确保对信息重复计数的鲁棒性。
• 推导出Mδ-GLMB与LMB密度在K-L平均下的闭式表达式，证明其在融合过程中的代数封闭性。
• 设计两种基于一致性的DMOT滤波器：一致性Mδ-GLMB与一致性LMB，实现无需中心融合节点的迭代式分布式估计。
• 采用高斯混合实现近似后验密度，并在具有挑战性的跟踪场景中验证算法性能。

实验结果

研究问题

• RQ1 基于带标记RFS的滤波器能否在保留轨迹估计能力的前提下，适配于采用一致性融合的分布式多目标跟踪？
• RQ2 Kullback-Leibler平均是否能确保在一致性融合下Mδ-GLMB与LMB密度的代数封闭性？
• RQ3 所提出的共识滤波器能否在无中心融合节点的情况下实现精确、可扩展且计算高效的多目标跟踪？
• RQ4 所提出的方法如何缓解分布式多目标跟踪中的‘幽灵效应’与数据 incest 问题？
• RQ5 在高杂波与检测不确定性较高的复杂场景中，共识滤波器的性能表现如何？

主要发现

• Mδ-GLMB与LMB密度在Kullback-Leibler平均下具有代数封闭性，支持一致且可计算的融合过程。
• 所提出的共识Mδ-GLMB与共识LMB滤波器可实现精确的轨迹估计，且避免了无标记RFS滤波器中固有的‘幽灵效应’。
• 共识滤波器为完全分布式，具备可扩展性，且无需依赖网络拓扑信息或中心融合节点。
• 基于高斯混合实现的仿真结果证实，所提滤波器在高杂波与漏检的复杂多目标跟踪场景中具有显著有效性。
• K-L平均融合规则对信息重复计数具有鲁棒性，使该方法对网络不确定性与故障具有较强容错能力。
• 所提出的框架可在大规模、去中心化的传感器网络中实现可靠、可扩展且具备轨迹感知能力的多目标跟踪。