[论文解读] Poisson multi-Bernoulli conjugate prior for multiple extended object estimation.

Karl Granström, Maryam Fatemi+1 more|arXiv (Cornell University)|May 20, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 19被引用 14

一句话总结

本文提出了一种泊松多伯努利混合（PMBM）共轭先验，用于跟踪多个扩展目标，结合了泊松过程以建模未检测到的目标，以及多伯努利混合以建模已检测到的目标。该方法在预测和更新步骤中保持了PMBM形式，通过伽马-高斯逆威沙特近似实现可处理的滤波，并在仿真和激光雷达实验中表现出优于PHD、CPHD和LMB滤波器的性能。

ABSTRACT

This paper presents a Poisson multi-Bernoulli mixture (PMBM) conjugate prior for multiple extended object estimation. A Poisson point process is used to describe the existence of yet undetected targets, while a multi-Bernoulli mixture describes the distribution of the targets that have been detected. The prediction and update equations are presented for the standard transition density and measurement likelihood. Both the prediction and the update preserve the PMBM form of the density, and in this sense the PMBM density is a conjugate prior. However, the unknown data associations lead to an intractably large number of terms in the PMBM density, and approximations are necessary for tractability. A gamma Gaussian inverse Wishart implementation is presented, along with methods to handle the data association problem. A simulation study shows that the extended target PMBM filter outperforms the extended target PHD, CPHD and LMB filters. An experiment with Lidar data illustrates the benefit of tracking both detected and undetected targets.

研究动机与目标

• 开发一种贝叶斯滤波框架，联合跟踪已检测和未检测到的扩展目标。
• 通过一种可处理的共轭先验，解决扩展目标跟踪中未知数据关联的挑战。
• 将PMBM滤波形式化扩展至扩展目标跟踪场景，实现闭式预测与更新。
• 通过伽马-高斯逆威沙特分布提供实用的实现方式，用于参数估计。
• 通过仿真和真实激光雷达数据验证该方法相对于现有滤波器的优越性。

提出的方法

• 使用泊松点过程对未检测到的扩展目标的数量和存在性进行建模。
• 采用多伯努利混合表示已检测到目标的空间和运动状态的后验分布。
• 推导出保持PMBM形式的预测与更新方程，确保共轭性。
• 应用伽马-高斯逆威沙特分布以近似后验分布并处理未知参数。
• 引入近似方法以处理因未知数据关联而产生的不可行项数爆炸问题。
• 使用标准的转移密度和扩展目标的似然函数实现滤波器。

实验结果

研究问题

• RQ1 能否为多扩展目标跟踪构建一种共轭先验，以同时建模已检测和未检测到的目标？
• RQ2 如何将PMBM滤波器适配以处理扩展目标的动力学和测量？
• RQ3 数据关联不确定性对PMBM滤波器性能和可处理性有何影响？
• RQ4 所提出的PMBM滤波器与现有滤波器（如PHD、CPHD和LMB）在扩展目标跟踪中的表现相比如何？
• RQ5 真实激光雷达数据能否证明同时跟踪已检测和未检测目标的优势？

主要发现

• 在仿真研究中，扩展目标PMBM滤波器优于扩展目标PHD、CPHD和LMB滤波器。
• 伽马-高斯逆威沙特实现方式使得尽管存在复杂的数据关联，仍能实现可处理的推理。
• 该滤波器成功跟踪了已检测和未检测到的目标，提升了整体跟踪精度。
• 仿真结果证实了PMBM形式在预测和更新步骤中的保持。
• 激光雷达数据实验验证了该方法在真实世界跟踪场景中的实际效用。
• 该方法通过近似有效处理了因未知数据关联导致的不可行项数爆炸问题。