[论文解读] Multi-object filtering with stochastic populations

Emmanuel Delande, Jérémie Houssineau+1 more|arXiv (Cornell University)|Jan 19, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 14被引用 8

一句话总结

本文提出了一种基于随机种群的全概率估计框架，用于多目标跟踪，通过统计矩和信息论增益函数实现合理滤波。所提出的可区分且独立的随机种群（DISP）滤波器在保持已检测目标轨迹连续性的同时，对未检测到的目标传播不确定性，为复杂监控场景中漏检和虚警等挑战提供了稳健解决方案。

ABSTRACT

While the design of automated knowledge-based sensor scheduling is relevant to many multi-target detection and tracking problems, tracking algorithms are rarely built for this purpose and their outputs provide little flexibility for the design of sensor policies. In this paper, we present an estimation framework for stochastic populations in the context of multi-target estimation problems. Fully probabilistic in nature, it allows for the evaluation of the population of targets through statistical moments, as well as the assessment of sensor observations through information-theoretical gain functions. We present a principled solution derived from this framework addressing challenging multi-target scenarios involving missed detections and false alarms, the filter for Distinguishable and Independent Stochastic Populations, which propagates information on previously-detected targets as well as yet-to-be-detected targets while maintaining track continuity.

研究动机与目标

• 为解决多目标估计中缺乏灵活且合理的滤波框架以支持自动传感器调度的问题。
• 在随机种群框架下，利用统计矩对目标组成和状态的不确定性进行建模。
• 在保持先前检测到的目标轨迹连续性的同时，对未检测到的目标传播信息。
• 从滤波器输出推导出信息论增益函数，以指导传感器调度。
• 为MHT和JPDA等启发式基于轨迹的滤波器提供一种可扩展且合理的替代方案。

提出的方法

• 该框架将目标种群建模为随机集合，使用两类统计矩：一类用于种群组成，另一类用于目标状态。
• 通过为不可区分的子种群使用共同的概率描述，避免数据关联过程中的不必要排列。
• DISP滤波器利用带有马尔可夫转移的状态空间模型，传播已检测目标的后验分布以及对未检测目标的先验知识。
• 时间预测步骤通过马尔可夫转移核向前推进随机种群，整合目标出生和死亡过程。
• 数据更新步骤使用贝叶斯规则结合传感器观测，通过似然模型考虑漏检和虚警。
• 从滤波器输出推导出信息增益函数，以量化特定目标或区域观测的价值，从而实现传感器调度。

实验结果

研究问题

• RQ1 如何通过全概率框架在多目标跟踪中对目标组成和个体目标状态的不确定性进行建模？
• RQ2 如何在同时传播未检测目标信息的同时，保持已检测目标的轨迹连续性？
• RQ3 可以从滤波器输出中推导出哪些合理的基于信息论的增益函数，以指导传感器调度？
• RQ4 该框架如何通过利用未检测目标的不可区分性，避免数据关联中的组合爆炸问题？
• RQ5 在存在漏检和虚警的场景中，DISP滤波器在多大程度上优于启发式滤波器？

主要发现

• DISP滤波器成功地在统一的概率框架下，保持了先前检测目标的轨迹连续性，同时对未检测目标传播不确定性。
• 该框架支持从滤波器输出推导出信息论增益函数，以量化特定目标或区域观测的价值，从而支持自动传感器调度。
• 随机种群的统计矩使得目标状态和种群组成的评估成为可能，扩展了FISST基滤波器中使用的区域统计方法。
• 通过使用共享的概率描述对不可区分的子种群进行建模，滤波器避免了数据关联中的冗余排列。
• 提出了一种合理的DISP滤波器近似方法，以降低计算复杂度，同时保持关键的估计特性。
• 理论推导证实，时间 $ t $ 的有效假设集合 $ extbf{H}_t $ 等价于一致的轨迹配置集合 $ \mathrm{Const}(\mathbb{I}^\bullet_t) $，确保了滤波过程的正确性。