[论文解读] Multi-Sensor Multi-object Tracking with the Generalized Labeled Multi-Bernoulli Filter

Ba‐Ngu Vo, Ba-Tuong Vo|arXiv (Cornell University)|Feb 28, 2017

Target Tracking and Data Fusion in Sensor Networks被引用 4

一句话总结

本文提出了一种基于广义标记多伯努利（GLMB）滤波器的高效、在线多传感器多目标跟踪算法，通过将预测与更新步骤整合，并利用吉布斯采样实现对GLMB密度的有效截断。该方法在传感器测量上具有线性复杂度，在假设轨迹上具有二次复杂度，实现了可扩展的、与顺序无关的跟踪，同时降低了计算负担并提高了组件保留率。

ABSTRACT

This paper proposes an efficient implementation of the multi-sensor generalized labeled multi-Bernoulli (GLMB) filter. The solution exploits the GLMB joint prediction and update together with a new technique for truncating the GLMB filtering density based on Gibbs sampling. The resulting algorithm has quadratic complexity in the number of hypothesized object and linear in the number of measurements of each individual sensors.

研究动机与目标

• 解决基于标记随机有限集（RFS）框架的精确多传感器多目标跟踪的计算不可行性问题。
• 克服依赖传感器更新顺序且可能丢弃重要组件的启发式‘迭代校正’方法的局限性。
• 开发一种原理清晰、可扩展且与顺序无关的多传感器GLMB滤波器实现方法。
• 通过实现GLMB滤波密度的有效截断，在保持精度的同时降低计算成本。

提出的方法

• 将多传感器GLMB滤波器的预测与更新步骤整合为单一联合操作。
• 采用吉布斯采样对GLMB滤波密度进行截断，确保在多个传感器更新中保留显著组件。
• 使用基于传感器局部关联概率的替代目标分布，以近似多个传感器之间的联合关联。
• 采用顺序更新策略，结合传感器特定的转移模型和基于归一化概率的关联权重。
• 利用传感器特定的似然函数和归一化常数，推导轨迹与测量关联的条件概率。
• 在吉布斯采样后校正组件权重，以保持与完整GLMB滤波密度的一致性。

实验结果

研究问题

• RQ1 是否可以不依赖启发式、顺序相关的更新策略，高效实现多传感器GLMB滤波器？
• RQ2 在多传感器环境下，如何有效截断GLMB密度，以在降低计算成本的同时保持精度？
• RQ3 传感器局部关联独立性假设对联合多传感器跟踪性能有何影响？
• RQ4 吉布斯采样能否适应于在标记RFS框架中保留多个传感器更新中的关键组件？
• RQ5 所提出算法在传感器测量和假设轨迹数量方面的计算复杂度是多少？

主要发现

• 所提算法在每传感器测量数量上具有线性复杂度，在假设轨迹数量上具有二次复杂度。
• 使用吉布斯采样进行GLMB截断，可保留原本在顺序更新方案中可能被丢弃的组件。
• 该方法与顺序无关，避免了迭代校正方法中固有的更新序列依赖性。
• 基于传感器局部关联概率乘积的替代目标分布，与原始目标分布保持了支持一致性。
• 该算法优于传统迭代校正方法，能够保留那些仅在多次传感器更新后才变得显著的组件。
• 联合预测-更新集成显著降低了计算开销，并提升了多传感器环境下的跟踪精度。