[论文解读] Sensor Control for Multi-Object Tracking Using Labeled Multi-Bernoulli Filter

Amirali Khodadadian Gostar, Reza Hoseinnezhad+1 more|arXiv (Cornell University)|Feb 3, 2015

Target Tracking and Data Fusion in Sensor Networks被引用 25

一句话总结

本文提出了一种基于标签多伯努利（Labeled Multi-Bernoulli, LMB）滤波器的新型传感器控制方法，用于多目标跟踪，通过任务驱动的成本函数联合优化传感器指令，以最小化状态估计误差和基数误差。该方法在具有多达五个机动目标及高杂波的复杂场景中，相较于现有随机有限集（RFS）方法表现出更优性能，OSPA误差更低。

ABSTRACT

The recently developed labeled multi-Bernoulli (LMB) filter uses better approximations in its update step, compared to the unlabeled multi-Bernoulli filters, and more importantly, it provides us with not only the estimates for the number of targets and their states, but also with labels for existing tracks. This paper presents a novel sensor-control method to be used for optimal multi-target tracking within the LMB filter. The proposed method uses a task-driven cost function in which both the state estimation errors and cardinality estimation errors are taken into consideration. Simulation results demonstrate that the proposed method can successfully guide a mobile sensor in a challenging multi-target tracking scenario.

研究动机与目标

• 开发一种传感器控制策略，以最优方式引导移动传感器在目标数量未知且时变的多目标跟踪场景中运行。
• 通过引入直接最小化状态与基数估计误差的任务驱动方法，解决信息驱动成本函数的局限性。
• 利用标签多伯努利（LMB）滤波器提供轨迹值估计的能力，以提升传感器控制性能。
• 在高杂波、动态跟踪环境中，证明基于LMB的传感器控制方法相较于现有RFS方法的优越性。

提出的方法

• 采用标签多伯努利（LMB）滤波器作为底层多目标跟踪框架，支持轨迹标记并提升更新近似精度。
• 采用先前工作[11]中的任务驱动成本函数，其形式为基数方差与状态估计误差的统计均值。
• 将LMB滤波器的参数（如存在概率、状态分布和标签）作为成本函数中的变量，以指导传感器控制决策。
• 实现一种传感器控制算法，基于预测后验分布选择使期望成本最小的控制指令。
• 在部分可观测马尔可夫决策过程（POMDP）框架内应用成本函数，以建模不确定性下的传感器控制。
• 通过蒙特卡洛采样与OSPA指标，在包含五个目标的模拟多目标跟踪场景中，对200次运行进行性能评估。

实验结果

研究问题

• RQ1 是否任务驱动成本函数通过联合最小化状态与基数估计误差，能在多目标传感器控制中优于信息驱动的替代方案？
• RQ2 与无标签或非标签滤波器相比，使用标签多伯努利（LMB）滤波是否能显著提升传感器控制性能？
• RQ3 在高杂波环境中，LMB滤波器更优的更新近似能力在多大程度上提升了传感器控制精度？
• RQ4 所提出的传感器控制方法是否能有效引导移动传感器长期保持对多个机动目标的最优可观测性？
• RQ5 在复杂跟踪场景中，基于LMB的传感器控制方法是否比CB-MeMBer方法更有效地降低OSPA误差？

主要发现

• 所提出的基于LMB的传感器控制方法在前20个时间步（不确定性最高阶段）相比CB-MeMBer-PEECS方法，显著降低了OSPA误差。
• LMB-PEECS方法的基数误差与定位误差更早趋于稳定，且始终低于CB-MeMBer-PEECS方法，自k=20起，定位误差保持在40米以下，基数误差保持在20以下。
• LMB-PEECS方法在跟踪全部五个目标方面表现更优，包括具有复杂机动及不同出生/死亡时间的目标。
• 该改进归因于LMB滤波器更精确的更新近似，能更好地捕捉目标状态与轨迹身份。
• 传感器成功导航至目标集群并持续驻留其附近，证实了成本函数的有效引导作用。
• 结果表明，LMB滤波器中使用轨迹标签与改进的估计精度，显著提升了传感器控制的实用性，超越了非标签滤波器的性能极限。