[论文解读] From Target Tracking to Targeting Track: A Data-Driven Yet Analytical Approach to Joint Target Detection and Tracking

Tiancheng Li, Hongqi Fan+1 more|arXiv (Cornell University)|Apr 20, 2021

Target Tracking and Data Fusion in Sensor Networks参考文献 74被引用 4

一句话总结

本文提出一种数据驱动但分析性的联合目标检测与连续时间轨迹估计方法，采用时间多项式轨迹函数（T-FoT），在仅具备最少先验知识的条件下实现实时跟踪。该方法在准确性与速度上均优于基于模型的滤波器，即使在目标动力学未知、存在杂波及检测概率不确定的情况下亦表现优异。

ABSTRACT

This paper addresses the problem of real-time detection and tracking of a non-cooperative target in the challenging scenario with almost no a-priori information about target birth, death, dynamics and detection probability. Furthermore, there are false and missing data at an unknown yet low rate in the measurements. The only information given in advance is about the target-measurement model and the constraint that there is no more than one target in the scenario. To solve these challenges, we model the movement of the target by using a polynomial trajectory function of time (T-FoT), which aims to estimate the continuous-time trajectory of the target rather than a series of discrete-time point estimates as is done in most existing filters/trackers. Data-driven T-FoT initiation and termination strategies are proposed for identifying the (re-)appearance and disappearance of the target. During the existence of the target, real target measurements are distinguished from clutter if the target indeed exists and is detected, in order to update the T-FoT at each scan for which we design a least-squares estimator. Overall, our approach is Markov-free, data-driven yet analytical. Simulations using either linear or nonlinear systems are conducted to demonstrate the effectiveness of our approach in comparison with the Bayes optimal Bernoulli filters. The results show that our approach is comparable to the perfectly modeled filters, even outperforms them in some cases while requiring much less a-priori information and computing much faster.

研究动机与目标

• 解决在目标动力学、出生/死亡事件及检测概率等先验信息极少的场景下，实现实时目标检测与跟踪的问题。
• 克服传统马尔可夫状态空间模型的局限性，后者需精确建模噪声与动力学，尤其在非合作目标场景下表现不足。
• 开发一种连续时间轨迹估计方法，可直接从拟合曲线中推断位置、速度与加速度等运动特征。
• 设计无需依赖概率马尔可夫模型的数据驱动目标出现与消失的启动与终止策略。
• 在目标动力学模型完全已知的模型基滤波器仍具备优势的情况下，实现与之相当或更优的精度与计算效率。

提出的方法

• 采用时间多项式轨迹函数（T-FoT）建模目标运动，以连续时间轨迹代替离散状态估计。
• 在每次扫描中使用最小二乘估计器更新T-FoT，通过轨迹一致性区分真实测量与杂波。
• 实施数据驱动的T-FoT启动与终止策略，实现无需目标出生/死亡事件先验知识的目标出现与消失检测。
• 应用基于切比雪夫型不等式的概率距离边界，评估测量一致性，降低虚警率。
• 通过消除状态转移噪声并依赖确定性轨迹拟合，避免马尔可夫假设，提升对机动目标的鲁棒性。
• 利用轨迹的平滑性与连续性，通过拟合多项式的导数直接推断速度与加速度等运动特征。

实验结果

研究问题

• RQ1 当关于目标动力学与检测的先验知识极少时，数据驱动方法是否能实现与基于模型的滤波器相当或更优的性能？
• RQ2 如何在不依赖马尔可夫状态转移或概率性出生/死亡模型的前提下，有效建模目标的启动与终止？
• RQ3 与离散时间状态估计相比，基于T-FoT的连续时间轨迹拟合在精度与计算效率方面能实现多大程度的超越？
• RQ4 该方法在未知杂波率与检测概率的情况下，如何保持低虚警率？
• RQ5 在不依赖噪声统计特性的情况下，最小二乘估计的轨迹拟合能否对目标机动与未知输入保持鲁棒性？

主要发现

• 所提出的T-FoT方法即使在贝叶斯最优伯努利滤波器具备完整模型知识的情况下，性能仍可与之相当。
• 在某些仿真场景中，T-FoT方法甚至优于完全建模的伯努利滤波器，尤其在模型失配情况下的鲁棒性表现更优。
• 由于其无马尔可夫性与分析性结构，该方法的计算速度显著快于传统滤波器，避免了递归贝叶斯更新。
• 数据驱动的T-FoT启动与终止策略成功检测到目标的出现与消失，且无需目标出生或死亡事件的先验知识。
• 最小二乘估计器能有效区分真实测量与杂波，在未知杂波分布下仍保持低虚警率。
• 该方法可直接从轨迹导数中推断速度与加速度等运动特征，相比离散点估计提供了更丰富的信息。