[论文解读] Distributed Multi-Sensor Fusion Using Generalized Multi-Bernoulli Densities

Meng Jiang, Wei Yi+2 more|arXiv (Cornell University)|Mar 21, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用 6

一句话总结

本文提出了一种广义多伯努利（GMB）密度的二阶近似——SO-GMB，该方法同时保持了概率假设密度（PHD）和事数字分布，从而在分布式多传感器多目标跟踪中实现了精确的广义协方差交集（GCI）融合。在目标频繁死亡和近距离机动的场景下，该方法优于一阶近似（FO-GMB），在复杂跟踪条件下表现出更高的稳定性与更低的OSPA误差。

ABSTRACT

The paper addresses distributed multi-target tracking in the framework of generalized Covariance Intersection (GCI) over multistatic radar system. The proposed method is based on the unlabeled version of generalized labeled multi-Bernoulli (GLMB) family by discarding the labels, referred as generalized multi-Bernoulli (GMB) family. However, it doesn't permit closed form solution for GCI fusion with GMB family. To solve this challenging problem, firstly, we propose an efficient approximation to the GMB family which preserves both the probability hypothesis density (PHD) and cardinality distribution, named as second-order approximation of GMB (SO-GMB) density. Then, we derive explicit expression for the GCI fusion with SO-GMB density. Finally, we compare the first-order approximation of GMB (FO-GMB) density with SO-GMB density in two scenarios and make a concrete analysis of the advantages of the second-order approximation. Simulation results are presented to verify the proposed approach.

研究动机与目标

• 为解决多静态雷达系统中标签空间不匹配条件下基于标签集滤波器的分布式多目标跟踪挑战。
• 开发一种适用于广义多伯努利（GMB）后验的可计算融合方法，同时保持PHD和事数字分布。
• 克服一阶近似（FO-GMB）在目标密度高且事数字频繁变化的跟踪场景中的局限性。
• 推导SO-GMB密度的显式GCI融合公式，并在复杂跟踪环境中验证其优越性。

提出的方法

• 提出GMB（SO-GMB）密度的二阶近似，使其与原始GMB的PHD和事数字分布相匹配。
• 推导基于GCI的SO-GMB密度融合的显式解析表达式，实现无需了解传感器间互相关性的分布式融合。
• 实现一种适用于如双基地雷达系统等传感器网络的实时部署的顺序融合策略。
• 通过SO-GMB近似每个局部GMB后验，以保持二阶统计特性，从而提升融合精度。
• 通过蒙特卡洛仿真，在两种不同的跟踪场景下将所提出的SO-GMB融合与现有FO-GMB融合进行比较。
• 利用OSPA误差和事数字估计统计量评估在不同目标动态条件下的性能，包括目标交叉与目标死亡。

实验结果

研究问题

• RQ1 与一阶近似相比，SO-GMB密度的二阶近似是否能更有效地保持PHD和事数字分布？
• RQ2 在目标密度高且频繁发生目标死亡的场景中，SO-GMB密度的GCI融合是否相比FO-GMB融合表现出更优的跟踪性能？
• RQ3 与本地滤波器和FO-GMB融合相比，所提出的SO-GMB融合方法在事数字估计稳定性和OSPA误差方面表现如何？
• RQ4 在何种跟踪场景中，二阶近似相比一阶近似能提供可测量的优势？

主要发现

• 在场景1中，目标分离良好且极少交叉，FO-GMB与SO-GMB融合在事数字估计方面表现相近，SO-GMB仅在目标死亡和交叉时刻带来微小的OSPA误差改善。
• 在场景2中，该场景频繁发生目标交叉与死亡，SO-GMB融合在事数字估计的标准差上显著低于FO-GMB融合，表明估计稳定性得到提升。
• 场景2中的OSPA误差显著降低，证明SO-GMB融合在复杂动态跟踪环境中具有优越性。
• 所提出的SO-GMB融合方法在目标合并与终止事件期间表现出更强的鲁棒性与更高的精度，优于FO-GMB融合。
• SO-GMB密度的显式GCI融合公式实现了高效、可扩展且次优的融合，适用于未知传感器相关性的场景，适合实时部署。