Extended multi-target tracking using probabilistic data association and Bayesian nonparametric inference

Abstract

Mit zunehmendem Interesse an Überwachungssystemen, Sensornetzen und industrieller Automatisierung wächst die Bedeutung von komplexen Modellen und Schätzmethoden zur Zielverfolgung. Dies wird durch die umfangreiche und ambitionierte Forschung im Bereich der Zielverfolgung belegt. Zwei Probleme, die die Zielverfolgung erschweren, sind die Unsicherheit über den Ursprung der Messwerte und das Auftreten von Fehlalarmen. Zur Bewältigung dieser Probleme führen Zielverfolgungsmethoden eine inhärente Datenassoziation (DA) durch. Die von komplexen Verfolgungssystemen erwartete Flexibilität motiviert eine Modellierung mittels Bayesscher nicht-parametrischer Mischmodelle, welchen ein unendlich-dimensionaler Parameterraum zugrunde liegt. Bei Zielverfolgungsproblemen mit mehreren Zielen führt ein als Dirichlet-Prozessmischung bekanntes Bayessches nicht-parametrisches Mischmodell zu einer Klassenstruktur, die eine Gruppierung (clustering) der Ziele gemäß ihrer Parameter erlaubt. Der erste Hauptbeitrag der vorliegenden Arbeit ist ein Bayessches nicht-parametrisches Zustandsraummodell für die Verfolgung mehrerer ausgedehnter Ziele unter Berücksichtigung des DA-Problems. Des Weiteren wird auch die Statistik der probabilistischen DA im Kontext des vorgeschlagenen Zustandsraummodells beschrieben. Der zweite Hauptbeitrag ist eine Partikel-Markov-Ketten-Monte-Carlo-Inferenzmethode zur Verfolgung mehrerer erweiterter Ziele, die dem vorgeschlagenen Modell entsprechen. In dieser Methode erfolgt die probabilistische DA mittels eines Markov-Ketten-Monte-Carlo-Verfahrens, welches zur Vereinfachung des DA-Problems mit einem heuristischen „Gating“-Verfahren kombiniert wird. Simulationsergebnisse zeigen eine Verbesserung der Leistungsfähigkeit der Zielverfolgung aufgrund der inhärenten Gruppierung der Ziele, die durch die vorgeschlagene Modellierung mittels Dirichlet-Prozessmischung ermöglicht wird. Diese Verbesserung ist größer in Szenarien mit einer hohen Anzahl von eng beieinander liegenden Zielen.

The importance of surveillance systems, sensor networks, and industrial automation has induced a growing interest in complex models and estimation methods for tracking targets. Two issues complicating the target tracking problem are the uncertainty in the origin of measurements and the presence of false alarms due to clutter. Pertinent target tracking solutions have to address these complications by performing inherent data association (DA). The flexibility expected from complex tracking systems motivates models involving Bayesian nonparametric mixtures, which use an infinite-dimensional parameter space. When applied to the target tracking problem with multiple targets, a particular Bayesian nonparametric mixture model known as Dirichlet process mixture enables an inherent clustering of targets according to their parameters. The first main contribution of this thesis is a Bayesian nonparametric state-space model for the extended multi-target tracking problem that accounts for the DA problem. The statistics of probabilistic DA in the context of our Bayesian nonparametric state-space model are also described. The second main contribution is a particle Markov chain Monte Carlo inference method for tracking multiple extended targets that are governed by the proposed model. We resolve measurement origin uncertainty through probabilistic DA based on Markov chain Monte Carlo sampling combined with a ``gating" procedure. Finally, we present simulation results that demonstrate an improvement of target tracking performance due to the inherent clustering of the targets via Dirichlet process mixtures. This improvement of tracking performance due to clustering is especially significant in tracking scenarios with a large number of closely spaced targets.