[论文解读] Graphical model approximations of random finite set filters

Jason Williams|arXiv (Cornell University)|May 17, 2011

Target Tracking and Data Fusion in Sensor Networks参考文献 45被引用 7

一句话总结

本文提出了一种可计算的随机有限集（RFS）滤波器，将数据关联整合到多目标跟踪中，克服了以往方法（如Morelande和Challa，简称M-C）在计算上的局限性。通过利用信念传播计算边缘关联权重，并采用网络流优化解决轨迹合并问题，Belief Propagation Marginal Track Filter（BPMTF）高效地结合了泊松点过程（PPP）对未检测到的目标建模，以及对已跟踪目标的多伯努利成分，实现了目标回收与可扩展性提升，适用于大规模跟踪系统。

ABSTRACT

Random finite sets (RFSs) has been a fruitful area of research in recent years, yielding new approximate filters such as the probability hypothesis density (PHD), cardinalised PHD (CPHD), and multiple target multi-Bernoulli (MeMBer). These new methods have largely been based on approximations that side-step the need for measurement-to-track association. Comparably, RFS methods that incorporate data association, such as Morelande and Challa's (M-C) method, have received little attention. This paper provides a RFS algorithm that incorporates data association similarly to the M-C method, but retains computational tractability via a recently developed approximation of marginal association weights. We describe an efficient method for resolving the track coalescence phenomenon which is problematic for joint probabilistic data association (JPDA) and related methods (including M-C). The method utilises a network flow optimisation, and thus is tractable for large numbers of targets. Finally, our derivation also shows that it is natural for the multi-target density to incorporate both a Poisson point process (PPP) component (representing targets that have never been detected) and a multi-Bernoulli component (representing targets under track). We describe a method of recycling, in which tracks with a low probability existence are transferred from the multi-Bernoulli component to the PPP component, effectively yielding a hybrid of M-C and PHD.

研究动机与目标

• 开发一种计算上可行的RFS滤波器，整合数据关联，解决现有方法（如M-C）因计算边缘关联概率而成本过高的问题。
• 通过高效的网络流优化方法，有效缓解联合概率数据关联（JPDA）和M-C型滤波器中常见的轨迹合并问题。
• 统一多目标滤波中两种互补的表示方式：使用泊松点过程（PPP）对未检测到的目标建模，使用多伯努利成分对已跟踪目标建模。
• 引入目标回收机制，将低存在概率的轨迹从多伯努利组件转移至PPP组件，以保持一阶矩的准确性与计算效率。
• 将框架扩展至多跳数据关联，利用信念传播实现历史数据的软边缘关联，避免多维分配（MDA）的复杂性。

提出的方法

• 在RFS假设下推导完整的贝叶斯多目标滤波方程，涵盖目标生成、存活、运动、检测与虚警。
• 应用一种近期提出的高质量边缘关联权重近似方法，基于环状信念传播（LBP），实现在无需完整联合关联的情况下可计算的推理。
• 提出一种基于网络流优化的方法，通过重新分配关联关系来解决轨迹合并问题，同时保持边缘概率与一阶矩一致性。
• 采用基于网格的连续状态空间离散化方法，表示未检测到目标的PPP组件，实现对目标强度的高效计算，而无需追踪每一个可能的未检测目标。
• 提出目标回收机制：将存在概率较低的轨迹从多伯努利组件转移至PPP组件，以保持分布的一阶矩。
• 开发多跳变体（MSBPF），利用LBP计算多跳边缘关联概率，避免基于MAP的MDA带来的计算负担。

实验结果

研究问题

• RQ1 是否能够高效地将数据关联整合进基于RFS的多目标滤波中，同时保持计算可处理性？
• RQ2 在大规模跟踪场景中，如何有效缓解JPDA和M-C型滤波器中常见的轨迹合并问题？
• RQ3 是否能够在单一滤波框架内自然地结合泊松点过程（PPP）对未检测目标与多伯努利成分对已跟踪目标的建模？
• RQ4 通过将低置信度轨迹转移至PPP组件实现目标回收，是否能够保持多目标分布的一阶矩并提升滤波效率？
• RQ5 将信念传播扩展至多跳数据关联，是否能在软关联框架中为单跳方法带来有意义的性能提升，尤其是在复杂度更低的前提下？

主要发现

• 所提出的信念传播边缘轨迹滤波器（BPMTF）成功将数据关联整合进RFS滤波中，保持计算可处理性，利用LBP近似计算边缘关联权重。
• 基于网络流的合并避免算法保持了每条轨迹的存在概率，并维持了分布的一阶矩，确保重分配后的结果一致性。
• 目标回收机制实现了从多伯努利到PPP组件的低置信度轨迹转移，且不损失一阶矩准确性，提升了长期跟踪的稳定性。
• 该方法天然支持混合表示：使用多伯努利组件表示高置信度轨迹，使用PPP组件表示未检测或暂定目标。
• 多跳BP滤波器（MSBPF）能够高效计算多跳边缘关联概率，为MDA提供了一种复杂度更低的软关联替代方案。
• 理论分析表明，真实分布与近似分布之间的KL散度被限制在各独立子组件散度之和的范围内，支持了近似框架的有效性。