[论文解读] Multi-Object Tracking with Multiple Birth, Death, and Spawn Scenarios Using A Randomized Hypothesis Generation Technique (R-FISST)

W. Faber, Suman Chakravorty+1 more|arXiv (Cornell University)|Mar 24, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 10被引用 5

一句话总结

本文提出 R-FISST，一种基于有限集统计（FISST）的随机假设生成技术，可在涉及多个出生、死亡及衍生事件的复杂场景下实现计算上可行的多目标跟踪。通过在假设层面使用马尔可夫链蒙特卡洛（MCMC）采样，R-FISST 高效探索高概率配置，避免了穷举搜索，在包含数十亿种潜在假设的轨道态势感知（SSA）仿真中成功追踪了衍生对象，并正确预测了目标的消失。

ABSTRACT

In multi-object tracking one may encounter situations were at any time step the number of possible hypotheses is too large to generate exhaustively. These situations generally occur when there are multiple ambiguous measurement returns that can be associated to many objects. This paper contains a newly developed approach that keeps the aforementioned situations computationally tractable. Utilizing a hypothesis level derivation of the Finite Set Statistics (FISST) Bayesian recursions for multi-object tracking we are able to propose a randomized method called randomized FISST (R-FISST). Like our previous methods, this approach utilizes Markov Chain Monte Carlo (MCMC) methods to sample highly probable hypotheses, however, the newly developed (R-FISST) can account for hypotheses containing multiple births and death within the MCMC sampling. This alleviates the burden of having to exhaustively enumerate all birth and death hypotheses and makes the method more equipped to handle spawn scenarios. We test our method on Space Situational Awareness (SSA) scenarios with spawn events.

研究动机与目标

• 解决由于测量模糊导致假设数量爆炸性增长所引发的多目标跟踪计算不可行性问题，特别是在存在多重出生、死亡与衍生事件的场景下。
• 扩展先前依赖于对出生与死亡假设进行穷举枚举的基于 FISST 的跟踪方法，以克服其可扩展性限制。
• 开发一种基于 MCMC 的随机化方法，仅采样高概率假设，从而在保持精度的同时降低计算负担。
• 实现在轨道态势感知（SSA）中对衍生事件的精确跟踪，其中目标数量动态变化且测量模糊性高。
• 证明该方法在复杂跟踪场景中能够正确预测新目标的出现以及原始目标的消失。

提出的方法

• 该方法采用基于假设空间的 FISST 贝叶斯递推公式，将多目标跟踪问题建模为在假设空间上的离散状态滤波问题。
• 通过马尔可夫链蒙特卡洛（MCMC）采样探索高概率假设空间，避免了对所有可能的出生与死亡配置进行枚举。
• 该方法将多目标后验概率建模为多目标概率密度函数（MT-pdf）的加权混合，其中每个假设对应不同数量的目标。
• 出生与死亡过程被建模为多伯努利过程，算法根据来自测量的似然值动态调整假设权重。
• 该方法引入用户定义的参数 α 和 β 以调节假设接受度，仿真中采用启发式方法根据测量数与目标数的比值自适应调整这些参数。
• 通过单个与多个目标衍生的 SSA 场景对算法进行了验证，结果表明其在高假设数量条件下仍具鲁棒性。

实验结果

研究问题

• RQ1 随机假设生成技术是否能在不进行穷举假设枚举的情况下，有效处理存在多重出生与死亡事件的多目标跟踪问题？
• RQ2 在测量模糊性高且可能假设数量庞大的场景下，基于假设层面的 MCMC 采样如何提升计算可实现性？
• RQ3 该方法是否能准确检测并跟踪衍生事件，同时在复杂的 SSA 场景中正确预测原始目标的消失？
• RQ4 当由于测量模糊性导致可能假设数量达到数十亿量级时，该方法在多大程度上仍能保持精度？
• RQ5 如何自适应地调整参数 α 和 β 以提升在动态衍生场景下的跟踪性能？

主要发现

• 在单目标 SSA 场景中，R-FISST 正确追踪了所有衍生对象，准确估计了新形成目标在传感器视场内通过时的状态。
• 在 20 个目标的 SSA 场景中，该方法正确预测了单个父对象衍生出多个新目标，并在整个跟踪过程中保持了顶层假设中目标数量的正确性。
• 该方法正确识别了原始目标的消失，防止了对不存在实体的错误跟踪，这对维持假设完整性至关重要。
• 在衍生事件期间，可能假设的最大数量达到数十亿，证实了穷举枚举的不可行性，凸显了随机化方法的必要性。
• 仿真结果表明，R-FISST 即使在假设空间急剧膨胀的情况下仍能保持高精度，验证了其计算可实现性。
• 采用启发式方法自适应调整 α 和 β 参数显著提升了动态场景下的性能，尽管在线参数调优仍是未来研究的重点。