[论文解读] Extended Target Poisson Multi-Bernoulli Filter

Yuxuan Xia, Karl Granström+2 more|arXiv (Cornell University)|Jan 4, 2018

Target Tracking and Data Fusion in Sensor Networks被引用 5

一句话总结

本文提出了一种扩展目标泊松多伯努利（PMB）滤波器，通过将多伯努利混合后验近似为单一多伯努利分布，利用泊松多伯努利混合共轭先验来降低计算成本。在扩展目标的仿真场景中，该方法实现了接近更复杂PMBM滤波器的性能。

ABSTRACT

In this paper, a Poisson multi-Bernoulli (PMB) filter for multiple extended targets estimation is presented. The PMB filter is based on the Poisson multi-Bernoulli mixture (PMBM) conjugate prior and approximates the multi-Bernoulli mixture (MBM) in the posterior as a single multi-Bernoulli. By only having a single multi-Bernoulli representing detected targets in the posterior, the computational cost due to the data association problem can be effectively reduced. Different methods to merge the MBM are presented, along with their gamma Gaussian inverse Wishart implementations. The performance of the PMB filter is compared to the PMBM filter in different simulated scenarios.

研究动机与目标

• 通过简化后验表示来降低多扩展目标跟踪中的计算复杂度。
• 通过单一多伯努利近似解决扩展目标滤波中的数据关联问题。
• 利用伽马高斯逆威沙特分布开发目标扩展建模的实际实现方法。
• 在扩展目标场景中，评估该方法在精度与计算成本之间权衡的表现，与PMBM滤波器进行对比。

提出的方法

• PM B滤波器使用泊松多伯努利混合（PMBM）共轭先验来建模目标生成与传播。
• 通过将多伯努利混合（MBM）后验近似为单一多伯努利分布，以减轻计算负担。
• 提出了多种合并策略，将MBM分量合并为单一多伯努利分布，以实现高效滤波。
• 采用伽马高斯逆威沙特分布对扩展目标的扩展参数进行建模。
• 滤波器在贝叶斯框架内集成目标检测、估计与跟踪，采用序贯贝叶斯更新方法。
• 通过仿真场景评估该方法，比较PM B与PMBM滤波器在不同目标密度和扩展程度下的表现。

实验结果

研究问题

• RQ1 如何在不显著损失估计精度的前提下降低扩展目标跟踪的计算复杂度？
• RQ2 在扩展目标滤波中，将多伯努利混合后验近似为单一多伯努利会对性能产生何种影响？
• RQ3 不同MBM分量合并策略对PM B滤波器在扩展目标场景下的精度与稳定性有何影响？
• RQ4 PM B滤波器在跟踪精度与计算负载方面与PMBM滤波器相比如何？
• RQ5 伽马高斯逆威沙特分布在此PM B框架中对扩展目标扩展参数建模起到了何种作用？

主要发现

• PM B滤波器在显著降低计算成本的同时，实现了接近PMBM滤波器的跟踪性能。
• 采用单一多伯努利近似有效缓解了多伯努利混合固有的数据关联复杂性。
• 不同MBM分量合并策略表现相当，无单一方法在所有场景中占优。
• 伽马高斯逆威沙特实现有效建模了扩展目标的扩展参数。
• 仿真结果证实，PM B滤波器在高目标密度和扩展目标条件下仍能保持高精度的目标状态估计。
• 与更复杂的PMBM滤波器相比，PM B滤波器在扩展目标跟踪应用中表现出更强的鲁棒性与可扩展性。