[论文解读] Distributed Computation Particle PHD filter

Junjie Wang, Lingling Zhao+2 more|arXiv (Cornell University)|Mar 9, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 3被引用 3

一句话总结

该论文提出了一种分布式计算概率假设密度（DCPPHD）滤波器，通过在多个处理单元（PE）之间划分粒子，在保持精度的同时加速多目标跟踪。每个PE使用全部测量数据运行本地粒子PHD滤波器，并与中央单元交换粒子；中央单元通过融合规则整合估计结果，与集中式粒子PHD滤波相比实现了显著加速，同时保持了相近的跟踪性能。

ABSTRACT

Particle probability hypothesis density filtering has become a promising means for multi-target tracking due to its capability of handling an unknown and time-varying number of targets in non-linear non-Gaussian system. However, its computational complexity grows linearly with the number of measurements and particles assigned to each target, and this can be very time consuming especially when numerous targets and clutter exist in the surveillance region. Addressing this issue, we present a distributed computation particle PHD filter for target tracking. Its framework consists of several local particle PHD filters at each processing element and a central unit. Each processing element takes responsibility for part particles but full measurements and provides local estimates; central unit controls particle exchange between processing elements and specifies a fusion rule to match and fuse the estimates from different local filters. The proposed framework is suitable for parallel implementation and maintains the tracking accuracy. Simulations verify the proposed method can provide comparative accuracy as well as a significant speedup with the standard particle PHD filter.

研究动机与目标

• 为解决在非线性、非高斯及杂波环境中集中式粒子PHD滤波器的高计算复杂度问题。
• 通过将粒子计算分布在多个处理单元上，实现实时多目标跟踪。
• 在提升运行效率的同时，保持与标准粒子PHD滤波器相当的跟踪精度。
• 开发一种可扩展的框架，适用于传感器网络或高性能计算中的并行与分布式实现。

提出的方法

• 该框架将N个粒子分配到P个处理单元（PE）上，每个PE独立运行基于全部可用测量数据的本地粒子PHD滤波器。
• 每个PE基于其分配的粒子计算本地估计，并将结果发送至中央单元（CU）。
• 中央单元负责处理PE之间的粒子交换，并应用融合规则将本地估计匹配并合并为全局估计。
• 采用STPHD方法提取状态估计和测量标签，提升估计精度。
• 设计了粒子交换机制，防止因每个PE的粒子数量有限而导致性能下降。
• 该方法利用SMC（序列蒙特卡洛）采样和PHD递推实现预测与更新步骤。

实验结果

研究问题

• RQ1 分布式架构是否能在不降低跟踪精度的前提下减轻粒子PHD滤波的计算负载？
• RQ2 在多个PE之间分配粒子如何影响多目标跟踪中的估计性能与收敛性？
• RQ3 PE之间的粒子交换对分布式设置下保持估计精度有何影响？
• RQ4 在粒子总数相同的情况下，所提方法是否能相比集中式粒子PHD滤波实现显著加速？

主要发现

• 在使用相同总数粒子（2000个）的情况下，DCPPHD滤波器的平均执行时间相比集中式粒子PHD滤波器减少了50%（8.63秒 vs. 17.65秒）。
• DCPPHD的平均OSPA距离为3.0732，与集中式粒子PHD滤波器（3.0577）非常接近，表明跟踪精度相当。
• 当每个PE的粒子数仅为原来的1/5（500 vs. 400）时，DCPPHD实现了与仅在每个PE使用1/40,000个粒子的集中式滤波器相近的OSPA性能，体现了显著的效率优势。
• 该方法保持了稳定的目标数量估计，估计的目标数量在50次扫描中紧密跟踪真实轨迹。
• 该框架表现出良好的可扩展性，但当处理组数量超过最优水平时，性能出现下降。