다중 목표 추적을 위한 궤적 집합 기반 베이지안 프레임워크

초록

본 논문은 랜덤 유한 집합(RFS) 이론을 활용해 목표들의 궤적을 집합으로 모델링하고, 이를 통해 전체 궤적에 대한 베이지안 사후밀도를 정의한다. 기존 라벨 기반 방법의 한계를 극복하고, 궤적 집합을 최소·무중복 표현으로 사용함으로써 정확한 추적과 평가 지표 설계가 가능함을 보인다.

상세 분석

이 연구는 다중 목표 추적(MTT) 문제를 “목표 궤적의 집합”이라는 새로운 상태 변수로 재정의한다. 전통적인 RFS 기반 필터링은 매 시점의 목표 집합에 대한 다중 목표 밀도만을 제공해, 시간에 걸친 연속적인 궤적 정보를 직접적으로 다루지 못한다. 저자들은 이를 극복하기 위해 각 목표를 시작 시점 t, 길이 i, 그리고 상태 시퀀스 x₁:ᵢ 로 표현한 궤적 X = (t, x₁:ᵢ)를 정의하고, 이러한 궤적들의 유한 집합 𝓧를 전체 시스템 상태로 채택한다. 이때 𝓧∈𝔽(𝓣)이며, 𝓣는 모든 가능한 (t,i) 조합과 해당 상태 공간의 디스조인트 합으로 구성된다. 중요한 점은 궤적 집합이 라벨에 의존하지 않으므로, 라벨링에 따른 불필요한 차원 증가와 라벨 불확실성(특히 IID 클러스터 혹은 포아송 출생 모델에서 발생하는 라벨-목표 연관 모호성)를 자연스럽게 제거한다.

베이지안 관점에서 전체 궤적 집합에 대한 사후밀도, 즉 “멀티궤적 밀도(multitrajectory density)”를 정의함으로써, 현재와 과거 모든 시점의 목표 상태에 대한 완전한 확률 정보를 제공한다. 이는 MAP 궤적 추정, 특정 시점·위치에 대한 존재 확률 계산 등 복합적인 질문에 직접 답할 수 있게 한다. 저자들은 이 밀도를 구하기 위한 필터링 방정식을 FISST(유한 집합 통계) 틀 안에서 유도하고, 표준 선형·가우시안 모델에 대해 공액(conjugate) 형태의 멀티궤적 밀도 가족을 제시한다. 이 가족은 기존 멀티베르누이, 포아송 RFS와 유사한 구조를 가지면서도 궤적 차원을 포함한다.

또한, 제안된 접근법을 라벨 기반 RFS, 전통적인 MHT, 그리고 기존 멀티타깃 필터링과 비교 분석한다. 라벨 기반 방법은 라벨-목표 연관이 불확실할 때 트랙 스위칭 문제가 발생하지만, 궤적 집합은 이러한 문제를 근본적으로 회피한다. 계산 복잡도 측면에서도, 전체 라벨 시퀀스에 대한 조인트 밀도보다 멀티궤적 밀도가 훨씬 적은 항을 갖기 때문에 실용적인 근사 알고리즘 개발이 가능하다. 마지막으로, 궤적 집합을 이용한 PHD 필터(trajectory PHD filter)와 같은 확장 가능성을 제시하며, 향후 효율적인 구현을 위한 연구 방향을 제시한다.