[论文解读] Multisensor Multiobject Tracking with Improved Sampling Efficiency

Wenyu Zhang, Florian Meyer|arXiv (Cornell University)|Dec 30, 2022

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粒子流的和-积算法（SPA-PF），用于在高维状态空间中进行多传感器多目标跟踪（MOT），适用于非线性、低维测量场景。通过利用粒子流高效地将粒子传播至高似然区域，该方法避免了粒子退化问题，在3D无源声学监测场景中使用到达时间差（TDOA）测量时，相比现有最先进方法，实现了更高的跟踪精度和运行效率。

ABSTRACT

Passive monitoring of acoustic or radio sources has important applications in modern convenience, public safety, and surveillance. A key task in passive monitoring is multiobject tracking (MOT). This paper presents a Bayesian method for multisensor MOT for challenging tracking problems where the object states are high-dimensional, and the measurements follow a nonlinear model. Our method is developed in the framework of factor graphs and the sum-product algorithm (SPA) and implemented using random samples or "particles". The multimodal probability density functions (pdfs) provided by the SPA are effectively represented by a Gaussian mixture model (GMM). To perform the operations of the SPA with improved sample efficiency, we make use of Particle flow (PFL). Here, particles are migrated towards regions of high likelihood based on the solution of a partial differential equation. This makes it possible to obtain good object detection and tracking performance even in challenging multisensor MOT scenarios with single sensor measurements that have a lower dimension than the object positions. We perform a numerical evaluation in a passive acoustic monitoring scenario where multiple sources are tracked in 3-D from 1-D time-difference-of-arrival (TDOA) measurements provided by pairs of hydrophones. Our numerical results demonstrate favorable detection and estimation accuracy compared to state-of-the-art reference techniques.

研究动机与目标

• 解决在多传感器系统中，高维非线性多目标跟踪（MOT）面临的粒子退化挑战。
• 在对象状态为高维而测量为低维（如基于TDOA的声学跟踪）的情况下，提升贝叶斯MOT的采样效率。
• 开发一种可扩展的基于图的贝叶斯框架，在保持精度的同时，相比传统粒子滤波和无迹滤波方法，降低计算开销。
• 实现在对象数量未知且存在测量源不确定性（MOU）的复杂场景中，对多个目标的鲁棒跟踪。
• 展示粒子流在初始目标出现阶段维持后验近似质量的有效性，此时信念信息量少且呈多模态。

提出的方法

• 该方法采用因子图表示MOT问题，其中随机变量和因子编码统计依赖关系和测量模型。
• 使用和-积算法（SPA）计算近似后验边际分布，信念以高斯混合模型（GMM）表示，以处理多模态分布。
• 应用粒子流（PFL）在高维空间中执行SPA消息更新，替代标准重要性采样，以避免粒子退化。
• PFL利用同伦函数和偏微分方程（PDE）计算粒子速度，实现粒子向后验分布高似然区域的系统性迁移。
• 采用局部精确Daum和Huang（LEDH）滤波器变体，对每个粒子独立计算PFL方程，提升了精度但增加了计算成本。
• 该框架在3D无源声学监测场景中进行评估，使用水听器对的到达时间差（TDOA）测量，模拟了真实的多传感器MOT条件。

实验结果

研究问题

• RQ1 基于粒子流的消息更新在和-积算法中能否有效缓解高维非线性多目标跟踪中的粒子退化问题？
• RQ2 在具有挑战性的声学跟踪场景中，所提出的SPA-PF方法在精度和运行时间上与现有最先进MOT技术（如SPA-UT和SPA-PM）相比如何？
• RQ3 在新目标出现后的初始时间步，当后验信念高度无信息且多模态时，粒子流的使用是否能提升跟踪性能？
• RQ4 当测量维度相对于对象状态维度较低时（例如，3D对象状态使用1D TDOA测量），该方法在多大程度上保持精度？
• RQ5 与基于无迹变换的方法相比，该方法是否能在更低内存需求下实现更优性能？

主要发现

• 在18组参数配置中的15组，SPA-PF和SPA-PF-H方法实现了最低的MOSPA（多目标跟踪精度）值，且SPA-PF-H始终优于SPA-PF。
• 在测量信息最少的场景中（σv = 2×10⁻⁶ s），SPA-PM表现最佳，因粒子退化减少；但SPA-PF-H仍取得第二好的MOSPA值和最低的运行时间。
• 在σv = 5×10⁻⁷ s时，粒子退化最为严重，SPA-PF-H的MOSPA为2.40，显著低于SPA-PM（18.60）和SPA-UT-2（4.28），证明了其卓越的鲁棒性。
• 所提方法保持了具有竞争力的运行时间，SPA-PF-H每时间步平均耗时13.19–21.26秒，与SPA-UT-1和SPA-UT-2相当，同时实现了更高的精度。
• 主要性能瓶颈出现在目标出现后的初始时间步，此时信念多模态且无信息，需要更有效的采样策略。
• 结果证实，基于粒子流的采样在高维非线性MOT中极为有效，尤其在早期跟踪阶段和低维测量条件下。