[论文解读] Multi-Sensor Control for Multi-Target Tracking Using Cauchy-Schwarz Divergence

Meng Jiang, Wei Yi+1 more|arXiv (Cornell University)|Mar 28, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 13被引用 24

一句话总结

本文提出两种基于广义标记多伯努利（GLMB）框架下柯西-施瓦茨（CS）散度的多传感器控制方法——联合决策（JDM）与独立决策（IDM），用于多目标跟踪。利用CS散度对GLMB密度的闭式解与广义协方差交集（GCI）融合，JDM方法实现全局信息内容的优化，而IDM方法则提供一种计算更快的次优替代方案。仿真结果表明，两种方法均优于随机控制策略，且在复杂场景中JDM表现出更优的跟踪精度。

ABSTRACT

The paper addresses the problem of multi-sensor control for multi-target tracking via labelled random finite sets (RFS) in the sensor network systems. Based on an information theoretic divergence measure, namely Cauchy-Schwarz (CS) divergence which admits a closed form solution for GLMB densities, we propose two novel multi-sensor control approaches in the framework of generalized Covariance Intersection (GCI). The first joint decision making (JDM) method is optimal and can achieve overall good performance, while the second independent decision making (IDM) method is suboptimal as a fast realization with smaller amount of computations. Simulation in challenging situation is presented to verify the effectiveness of the two proposed approaches.

研究动机与目标

• 解决传感器网络中受限传感器在通信与计算约束下对多目标进行跟踪的多传感器控制挑战。
• 克服传统信息论度量（如KL或Rényi散度）在多目标跟踪中计算成本过高的问题。
• 开发一种可扩展的信息基传感器控制框架，利用GLMB密度的闭式CS散度，以最大化融合后多目标估计的信息含量。
• 为复杂跟踪环境中的实时应用提供最优（JDM）与快速次优（IDM）控制策略。
• 通过使用标记随机有限集（RFS）与GLMB滤波，实现对目标轨迹与标签管理的合理处理。

提出的方法

• 采用广义标记多伯努利（GLMB）滤波器进行本地多目标跟踪，实现目标状态与标签的联合估计，并支持闭式更新。
• 使用柯西-施瓦茨（CS）散度作为信息论奖励函数，量化融合后多目标后验密度的信息含量。
• 应用广义协方差交集（GCI）融合本地传感器估计，以保持信息内容并实现一致的多传感器融合。
• 将传感器控制问题建模为在有限规划时域内对后续传感器动作的期望CS散度进行优化，采用蒙特卡洛采样方法。
• 实现两种决策策略：JDM联合优化所有传感器的动作以实现全局信息最大化；IDM则独立地为每个传感器选择动作，以降低计算量。
• 采用仿真模型，包含4个目标、2个传感器，传感器为测距-测角型，具有距离与角度相关的噪声，且探测概率随距离衰减，用于评估性能。

实验结果

研究问题

• RQ1 柯西-施瓦茨散度能否在基于GLMB模型的多传感器控制中有效用作奖励函数？
• RQ2 基于CS散度的联合决策（JDM）相较于独立决策（IDM）在多传感器系统中如何提升信息含量与跟踪性能？
• RQ3 所提出的基于CS散度的控制方法在复杂多目标跟踪场景中，相较于随机控制策略的性能提升程度如何？
• RQ4 最优JDM与次优IDM控制策略之间在计算复杂度与跟踪精度方面存在何种权衡？
• RQ5 结合GCI融合与CS散度，能否在具有标记多目标动态的大规模传感器网络中实现可扩展的信息最大化传感器控制？

主要发现

• 联合决策（JDM）算法在仿真中表现出优于随机控制与IDM方法的跟踪性能，表现为更低的OSPA误差。
• 独立决策（IDM）算法显著降低了计算负载，同时仍优于随机控制，适用于对精度要求适中且需实时处理的应用场景。
• 在第二个决策时刻（20秒），JDM方法产生的CS散度值高于IDM，表明其获得更好的全局信息增益，并实现更协调的传感器运动以逼近目标。
• 两种方法均成功引导传感器向目标移动，其中JDM展现出更协调、更全面的动作选择策略——例如在20秒时，JDM选择$(-60^ ext{°}, 30^ ext{°})$，而IDM选择$(-30^ ext{°}, 0^ ext{°})$。
• 在目标或传感器数量更多的复杂场景中，JDM与IDM之间的性能差距进一步扩大，而随机控制则难以维持跟踪精度。
• 基于100次蒙特卡洛运行的平均仿真结果表明，JDM与IDM均能持续降低OSPA误差，验证了基于CS散度的控制框架的有效性。