[论文解读] Multi-Scan Implementation of the Trajectory Poisson Multi-Bernoulli Mixture Filter

Yuxuan Xia, Karl Granström+3 more|arXiv (Cornell University)|Dec 4, 2019

Target Tracking and Data Fusion in Sensor Networks参考文献 54被引用 27

一句话总结

本文提出了一种多扫描轨迹泊松多伯努利混合（PMBM）和多伯努利混合（MBM）滤波器，通过基于轨迹的N次扫描剪枝与双分解的多帧分配，实现轨迹连续性与过去数据关联修正。主要贡献在于一种高效、计算上可行的实现方式，通过利用多扫描信息提升跟踪精度，同时保持闭式滤波递推公式。

ABSTRACT

The Poisson multi-Bernoulli mixture (PMBM) and the multi-Bernoulli mixture (MBM) are two multi-target distributions for which closed-form filtering recursions exist. The PMBM has a Poisson birth process, whereas the MBM has a multi-Bernoulli birth process. This paper considers a recently developed formulation of the multi-target tracking problem using a random finite set of trajectories, through which the track continuity is explicitly established. A multi-scan trajectory PMBM filter and a multi-scan trajectory MBM filter, with the ability to correct past data association decisions to improve current decisions, are presented. In addition, a multi-scan trajectory $ ext{MBM}_{01}$ filter, in which the existence probabilities of all Bernoulli components are either 0 or 1, is presented. This paper proposes an efficient implementation that performs track-oriented $N$-scan pruning to limit computational complexity, and uses dual decomposition to solve the involved multi-frame assignment problem. The performance of the presented multi-target trackers, applied with an efficient fixed-lag smoothing method, are evaluated in a simulation study.

研究动机与目标

• 为解决在多目标跟踪中保持轨迹连续性并纠正过去数据关联错误的挑战。
• 为基于随机有限集的轨迹多目标跟踪，开发一种计算高效且闭式滤波的解决方案。
• 将PMBM与MBM滤波器扩展至多扫描框架，实现对多个时间步数据关联的联合优化。
• 通过利用多扫描结构实现固定滞后平滑，以提升估计精度。
• 通过基于轨迹的N次扫描剪枝与双分解，提供可扩展的实现方式以管理复杂度。

提出的方法

• 提出一种多扫描轨迹PMBM与MBM滤波器，将轨迹建模为随机有限集，实现对多个时间步数据关联的联合优化。
• 采用基于轨迹的公式化方法，其中每条轨迹表示为状态序列，通过时间维护存在概率以确保连续性。
• 应用基于轨迹的N次扫描剪枝，通过限制考虑的过去扫描次数，限制假设数量并降低计算复杂度。
• 采用双分解方法高效求解多帧分配问题，将全局优化分解为更小、可处理的子问题。
• 实现一种固定滞后平滑方法，利用多扫描结构，通过未来测量值改进过去估计。
• 采用MBM01参数化方式，其中存在概率被限定为0或1，从而在不牺牲精度的前提下降低计算开销。

实验结果

研究问题

• RQ1 通过在多个扫描上联合优化，多扫描滤波是否能通过纠正过去决策来提升多目标跟踪中的数据关联精度？
• RQ2 在保持估计精度的前提下，如何管理多扫描轨迹滤波的计算复杂度？
• RQ3 在基于轨迹的多目标跟踪中，使用双分解求解多帧分配问题的性能增益如何？
• RQ4 与单次扫描版本相比，所提出的多扫描PMBM/MBM滤波器在轨迹连续性和估计精度方面表现如何？
• RQ5 在多扫描场景下，MBM01参数化方式是否能有效应用而不牺牲跟踪性能？

主要发现

• 所提出的多扫描轨迹PMBM与MBM滤波器通过在多个扫描上联合优化，纠正过去决策，实现了更高的数据关联精度。
• 基于轨迹的N次扫描剪枝有效控制了计算复杂度，同时保持了高水平的跟踪性能。
• 双分解方法能够高效求解多帧分配问题，与暴力方法相比显著减少了计算时间。
• 基于多扫描结构的固定滞后平滑方法通过引入未来测量值，提升了对过去目标的估计精度。
• MBM01变体在降低复杂度的同时保持了高精度，因为存在概率被限定为0或1，从而简化了假设管理。
• 仿真结果表明，所提出的滤波器在OSPA（最优子模式分配）距离与OSPA2（Ospa2）度量上均优于单次扫描版本，表明整体跟踪性能更优。