[论文解读] The Marginalized $\delta$-GLMB Filter

Claudio Fantacci, Ba-Tuong Vo+2 more|arXiv (Cornell University)|Jan 5, 2015

Target Tracking and Data Fusion in Sensor Networks参考文献 32被引用 29

一句话总结

本文提出了一种计算高效的 δ-GLMB 滤波器近似方法——边际化 δ-GLMB（Mδ-GLMB）滤波器，通过在数据关联历史上的边际化，保留后验概率密度函数（PHD）和目标数分布。该方法减少了分量增长，实现了可处理的多传感器跟踪，同时保持了与精确 δ-GLMB 滤波器相当的精度。

ABSTRACT

The multi-target Bayes filter proposed by Mahler is a principled solution to recursive Bayesian tracking based on RFS or FISST. The $\delta$-GLMB filter is an exact closed form solution to the multi-target Bayes recursion which yields joint state and label or trajectory estimates in the presence of clutter, missed detections and association uncertainty. Due to presence of explicit data associations in the $\delta$-GLMB filter, the number of components in the posterior grows without bound in time. In this work we propose an efficient approximation to the $\delta$-GLMB filter which preserves both the PHD and cardinality distribution of the labeled posterior. This approximation also facilitates efficient multi-sensor tracking with detection-based measurements. Simulation results are presented to verify the proposed approach.

研究动机与目标

• 为解决由于显式数据关联导致的 δ-GLMB 滤波器分量无界增长所引发的计算负担。
• 开发一种针对标记随机有限集（RFS）后验的合理近似方法，保留真实后验的关键统计特性。
• 实现可扩展的、低复杂度的多传感器多目标跟踪，同时保持目标之间的统计依赖性。
• 基于新提出的 Mδ-GLMB 框架，提供 LMB 滤波器的另一种推导方式。
• 在部分可观测性和高杂波环境下，验证该方法的有效性。

提出的方法

• 在 δ-GLMB 滤波器中对数据关联历史进行边际化，以减少分量数量的增长。
• 采用 GLMB 家族作为合理近似，以匹配真实后验的 PHD 和目标数分布。
• 对标记 RFS 密度应用闭式近似，保留跟踪所需的充分统计量。
• 引入一种滤波递推算法，使用边际化后的分量而非完整的关联映射来计算预测与更新步骤。
• 利用 δ-GLMB 的结构，同时去除显式关联跟踪，降低存储与计算开销。
• 在特定分量权重与标签假设下，推导出 LMB 滤波器作为 Mδ-GLMB 滤波器的特例。

实验结果

研究问题

• RQ1 能否开发一种计算高效的 δ-GLMB 滤波器近似方法，使其保留真实后验的 PHD 与目标数分布？
• RQ2 在 δ-GLMB 滤波器中对数据关联历史进行边际化，是否能减少分量增长而不损失跟踪精度？
• RQ3 Mδ-GLMB 滤波器能否在完整 δ-GLMB 滤波器不可行的场景下实现实际的多传感器多目标跟踪？
• RQ4 在目标数估计与 OSPA 误差方面，Mδ-GLMB 滤波器与 δ-GLMB 及 LMB 滤波器相比表现如何？
• RQ5 LMB 滤波器能否作为所提出的 Mδ-GLMB 框架的一个特例推导得出？

主要发现

• 在单雷达与多到达时间（TOA）场景中，Mδ-GLMB 滤波器的目标数估计精度几乎与 δ-GLMB 滤波器相同。
• 在 3-TOA 场景中，由于目标丢失，LMB 滤波器表现出更高的目标数标准差与 OSPA 误差，而 Mδ-GLMB 的性能与 δ-GLMB 一致。
• Mδ-GLMB 滤波器的 OSPA 距离始终接近 δ-GLMB 滤波器，100 次蒙特卡洛试验中平均差异低于 50 米。
• 与 δ-GLMB 相比，Mδ-GLMB 滤波器显著减少了分量数量的增长，大幅降低了计算与存储需求。
• LMB 滤波器被证明是 Mδ-GLMB 滤波器的一个特例，验证了该框架的一致性。
• 所提方法通过避免关联映射的指数级增长，实现了可处理的多传感器跟踪。