[论文解读] Distributed Fusion of Labeled Multi-Object Densities Via Label Spaces Matching

Bailu Wang, Wei Yi+3 more|arXiv (Cornell University)|Mar 28, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 12被引用 3

一句话总结

本文提出GCI-LSM，一种用于标注多目标密度的两步分布式融合算法，通过首先基于信息散度准则（LS-M）的排序分配问题解决标签空间不匹配（LS-DM）问题，然后应用广义协方差交叉（GCI）融合。当传感器使用不一致的标签时，该方法显著优于直接融合，在目标出生和死亡场景中跟踪性能明显提升。

ABSTRACT

In this paper, we address the problem of the distributed multi-target tracking with labeled set filters in the framework of Generalized Covariance Intersection (GCI). Our analyses show that the label space mismatching (LS-DM) phenomenon, which means the same realization drawn from label spaces of different sensors does not have the same implication, is quite common in practical scenarios and may bring serious problems. Our contributions are two-fold. Firstly, we provide a principled mathematical definition of "label spaces matching (LS-DM)" based on information divergence, which is also referred to as LS-M criterion. Then, to handle the LS-DM, we propose a novel two-step distributed fusion algorithm, named as GCI fusion via label spaces matching (GCI-LSM). The first step is to match the label spaces from different sensors. To this end, we build a ranked assignment problem and design a cost function consistent with LS-M criterion to seek the optimal solution of matching correspondence between label spaces of different sensors. The second step is to perform the GCI fusion on the matched label space. We also derive the GCI fusion with generic labeled multi-object (LMO) densities based on LS-M, which is the foundation of labeled distributed fusion algorithms. Simulation results for Gaussian mixture implementation highlight the performance of the proposed GCI-LSM algorithm in two different tracking scenarios.

研究动机与目标

• 为解决分布式多目标跟踪中标签空间不匹配（LS-DM）这一关键问题，即不同传感器标签空间中相同实现具有不一致的含义。
• 基于信息散度，提出标签空间匹配（LS-M）的严谨数学定义，为匹配质量提供正式准则。
• 开发一种两步融合框架，首先对齐传感器间的标签空间，然后在匹配后的空间中执行GCI融合。
• 在LS-M准则下，推导适用于通用标注多目标（LMO）密度的广义GCI融合规则，提升该方法在各类LMO滤波器中的适用性。
• 在目标出生与死亡场景下，证明所提方法相较于直接融合在标签不匹配时的优越性。

提出的方法

• 基于信息散度提出一种严谨的LS-M准则，用于定义何时两个标签空间被视为匹配。
• 将标签空间匹配建模为排序分配问题，其中代价函数由LS-M准则导出，以寻找传感器间最优的标签对应关系。
• 采用高斯混合实现，高效计算LS-M代价函数，并在实际中求解分配问题。
• 在匹配后的标签空间上应用广义协方差交叉（GCI）融合，即使在未知交叉相关性的情况下也能确保融合的鲁棒性。
• 在LS-M假设下，推导通用LMO密度的广义GCI融合规则，为算法提供理论基础。
• 采用自适应出生模型和目标出生的先验信息，提升在目标动态出现场景下的性能。

实验结果

研究问题

• RQ1 在分布式多目标跟踪中，如何正式定义并量化标签空间不匹配（LS-DM）？
• RQ2 是否存在一种基于信息论的、严谨的准则，用于判断两个标签空间是否匹配？
• RQ3 当标签空间不匹配时，如何找到传感器间最优的标签对应关系？
• RQ4 在解决LS-DM后，GCI融合能否有效应用于标注多目标密度？
• RQ5 在目标出生与死亡场景下，所提出的GCI-LSM算法相较于直接融合方法表现如何？

主要发现

• 在目标出生与死亡场景中，GCI-LSM算法显著优于直接GCI-LMB融合，此时标签空间不匹配会导致完全丢失轨迹。
• 在PBP场景中，GCI-LSM能准确跟踪所有目标，而GCI-LMB融合因标签不匹配无法融合第二条轨迹。
• 在五目标场景中，GCI-LSM在收敛后达到的OSPA性能几乎与GCI-GMB融合一致，表明标签匹配步骤近乎最优。
• 在目标出生阶段，GCI-LSM融合性能略逊于GCI-GMB融合，但这是由于采用单个最优分配而非完整联合匹配所致，证实了排序分配模型的准确性。
• GCI-LSM与GCI-GMB融合在OSPA误差和基数估计方面均优于GCI-PHD融合，凸显使用标注密度的优势。
• 仿真结果证实，解决LS-DM对鲁棒的分布式多目标跟踪至关重要，尤其在频繁目标生成与终止的动态环境中。