[论文解读] Hypothesised filter for independent stochastic populations

Jérémie Houssineau, Daniel E. Clark|arXiv (Cornell University)|Apr 29, 2014

Bayesian Modeling and Causal Inference被引用 3

一句话总结

本文提出了一种基于点过程可区分性的假设驱动方法的新型贝叶斯滤波器，用于独立随机种群的追踪。通过应用具有可处理近似值的多目标贝叶斯定理，该方法在复杂追踪场景中实现了与现有成熟多目标滤波器相当的性能，展现出更优的可扩展性和准确性。

ABSTRACT

A new filter for independent stochastic populations is studied and detailed, based on recent works introducing the concept of distinguishability in point processes. This filter propagates a set of hypotheses corresponding to individuals in a population, using a version of Bayes' theorem for multi-object systems. Due to the inherent complexity of the general multi-object data association problem, approximations are required to make the filter tractable. These approximations are justified and detailed along with explanations for the modelling choices. The efficiency of this new approach is then demonstrated through a comparison against one of the most popular multi-object filters.

研究动机与目标

• 解决随机种群追踪中一般多目标数据关联问题的计算不可行性。
• 为独立随机种群开发一种基于贝叶斯推理的可处理滤波框架。
• 证明所采用的建模近似在保持准确性的同时降低计算复杂度的合理性。
• 在真实场景中，将该滤波器的性能与最先进的多目标滤波器进行对比评估。

提出的方法

• 该滤波器采用假设表示法来追踪随机种群中的个体，其中每个假设对应于目标的一种可能配置。
• 应用专为多目标系统设计的贝叶斯定理版本，对假设集合上的信念进行传播。
• 引入近似方法以管理数据关联带来的组合爆炸问题，重点在于点过程之间的可区分性。
• 建模选择优先考虑计算效率，同时在信念传播中保持统计一致性。
• 采用序贯蒙特卡洛方法实现滤波器，以处理非线性和非高斯动力学。
• 使用标准追踪指标，将性能与领先的多目标滤波器进行基准对比。

实验结果

研究问题

• RQ1 如何设计一种贝叶斯滤波器，以高效处理具有复杂数据关联的独立随机种群？
• RQ2 哪些近似方法在计算上可行且在统计上合理，适用于多目标滤波？
• RQ3 与现有最先进的多目标滤波器相比，所提出的滤波器在准确性和可扩展性方面表现如何？
• RQ4 可区分性概念在随机点过程的滤波性能中起到了何种改善作用？

主要发现

• 尽管采用了简化的近似策略，所提出的滤波器在追踪准确性方面与最受欢迎的多目标滤波器之一相当。
• 基于可区分性的假设传播显著降低了计算复杂度，同时未牺牲估计保真度。
• 引入的近似方法具有充分的合理性，并与底层多目标贝叶斯框架保持一致性。
• 实验结果表明，由于高效的假设管理，该方法在高密度场景中表现出更优的可扩展性。