Efficient Implementations of Extended Object PMBM Filters with Blocked Gibbs Sampling

1. 연구 배경 및 문제 정의 (Problem Statement)

현대적인 고해상도 센서(Lidar, Radar 등)는 단일 객체로부터 여러 개의 측정값(measurements)을 생성하는 확장 객체(Extended Object) 특성을 가집니다. 이를 추적하기 위해서는 객체의 위치뿐만 아니라 크기와 모양(extent)을 함께 추정해야 합니다.

기존의 다중 객체 추적(MOT) 방식들은 다음과 같은 한계가 있습니다:

• 데이터 연관(Data Association)의 복잡성: 어떤 측정값이 어떤 객체에서 왔는지 결정하는 과정이 계산적으로 매우 어렵습니다.
• 기존 방식의 한계:
  • Clustering & Assignment (C&A): 객체들이 서로 가까워지면 성능이 급격히 저하됩니다.
  • Particle Belief Propagation (BP): 성능은 우수하지만 계산 비용(Runtime)이 매우 높습니다.
  • Sampling-based: 데이터 연관 가설을 직접 생성하지만, 계산량이 많습니다.

본 논문은 Poisson Multi-Bernoulli Mixture (PMBM) 필터를 기반으로, 데이터 연관의 불확실성을 효율적으로 처리하면서도 계산 속도를 획기적으로 높인 새로운 구현 방법을 제안합니다.

2. 제안 방법론 (Methodology)

본 논문의 핵심은 PMBM 필터의 업데이트 단계에서 Blocked Gibbs Sampling을 도입하여 데이터 연관 가설을 효율적으로 생성하는 것입니다.

A. Augmented State Space & Factorization

PMBM 밀도를 보조 변수(auxiliary variables)를 포함한 확장된 상태 공간에서 공식화합니다. 이를 통해 **이전 글로벌 가설(previous global hypotheses), 현재 측정값 연관 변수(measurement association variables), 잠재적 객체 집합(set of potential objects)**에 대한 결합 사후 확률(joint posterior)을 유도하고, 이를 효율적으로 샘플링할 수 있도록 인수분해(factorization)합니다.

B. Blocked Gibbs Sampling

세 가지 블록을 순차적으로 샘플링하여 고중량(high-weight) 글로벌 가설을 효율적으로 생성합니다:

1. 이전 글로벌 가설 샘플링: 기존의 추적 경로 가설을 업데이트.
2. 데이터 연관 변수 샘플링: 현재 측정값들이 어떤 객체에 할당될지 결정.
3. 객체 상태 샘플링: 할당된 측정값을 바탕으로 객체의 상태(위치, 크기 등)를 업데이트.

C. Collapsed Gibbs Sampling (핵심 개선 사항)

샘플링 효율을 극대화하기 위해 Bernoulli 존재 확률 변수(existence variables)를 주변화(marginalize out) 시키는 'Collapsed' 방식을 제안합니다.

• 이는 특히 **새로운 객체가 탐지되는 초기 단계(initiation)**에서 샘플링 효율을 크게 향상시킵니다.
• 비록 근사치(approximation)를 도입하지만, 샘플 간의 상관관계를 줄이고 더 빠르게 수렴하도록 돕습니다.

D. Track-Oriented Implementation

계산 중복을 피하기 위해 트랙 중심의 구현 방식을 채택하여, 동일한 측정값 조합에 대한 중복 계산을 방지하고 해시 테이블(hash table) 등을 사용하여 연산 속도를 최적화했습니다.

3. 주요 기여 (Key Contributions)

1. 새로운 PMBM 구현: Blocked Gibbs Sampling을 이용해 확장 객체 PMBM 필터의 효율적인 업데이트 알고리즘을 개발했습니다.
2. Collapsed Sampler 제안: 존재 확률 변수를 제거하여 샘플링 효율과 초기 탐지 성능을 높인 변형 모델을 제시했습니다.
3. 계산 효율성 최적화: 트랙 중심 구현 및 가중치 기반 근사(weight-based approximation)를 통해 불필요한 샘플 폐기 과정을 줄였습니다.
4. GGIW 모델 적용: Gamma-Gaussian Inverse-Wishart(GGIW) 모델을 사용하여 객체의 크기와 측정률을 통계적으로 정교하게 모델링했습니다.

4. 실험 결과 (Results)

시뮬레이션 결과, 제안된 방법은 기존의 Particle BP 기반 PMB 필터와 비교하여 다음과 같은 성과를 보였습니다:

• 성능(Accuracy): GOSPA 메트릭 기준으로 Particle BP와 대등하거나 유사한 추적 성능을 달립니디. 특히 False Detection(오탐)을 억제하는 데 강점이 있습니다.
• 속도(Runtime): 압도적인 속도 우위를 보였습니다. 예를 들어, PMBM-C-Gibbs2 방식은 단 20회의 반복(iteration)만으로도 5,000개의 파티클을 사용하는 Particle BP보다 우수한 성능을 내면서도, 실행 시간은 약 10배 이상 빠릅니다.
• 강건성(Robustness): Collapsed Gibbs Sampling은 초기화 전략(initialization)에 덜 민감하며, 복잡한 시나리오에서도 안정적인 성능을 유지합니다.

5. 결론 및 의의 (Significance)

본 논문은 이론적으로 복잡한 PMBM 필터를 실용적인 수준의 계산 복잡도로 끌어내렸습니다. 특히 Blocked 및 Collapsed Gibbs Sampling을 결합함으로써, 데이터 연관의 불확실성이 큰 환경(객체가 밀집된 상황 등)에서도 **높은 정확도와 매우 빠른 처리 속도 사이의 최적의 트레이드오프(trade-off)**를 달성했습니다. 이는 자율 주행이나 국방 분야와 같이 실시간성이 중요한 다중 객체 추적 시스템에 매우 유용한 기술적 토대를 제공합니다.