다중 확장 객체 추적을 위한 포아송‑멀티베르누이 근사

본 논문은 다중 확장 객체 추적(Multi‑Extended‑Object Tracking) 문제에 대한 효율적인 베이즈 필터링 방법을 제시한다. 확장 객체는 하나의 물체가 여러 측정 포인트를 생성하는 특성을 가지며, 이러한 상황을 모델링하기 위해 측정은 비균질 포아송 점 과정(PPP)으로 가정한다. 기존의 포아송‑멀티베르누이 혼합(PMBM) 필터는 이러한 모델에 대한 공액 사전으로, 예측 단계에서는 포아송‑멀티베르누이(PMB) 형태를 유지하지만, 업데이트 단계에서 데이터 연관 불확실성 때문에 전역 가설 수가 급증하고, 결국 PMBM 형태가 된다. 이는 계산량이 크게 증가해 실시간 적용에 부적합하다. 이를 해결하기 위해 저자들은 먼저 “새로운 로컬 가설 표현”을 도입한다. 기존 PMBM에서는 측정 집합의 모든 비공집합 부분집합마다 새로운 베르누이 성분을 만들었으나, 여기서는 각 개별 측정마다 하나의 베르누이 성분을 생성한다. 이 표현은 동일한 정보(측정‑객체 연관 관계)를 보존하면서 베르누이 성분 수를 크게 줄인다. 결과적으로 전역 가설(글로벌 히포시스) 구조가 단순화되고, 가설 관리와 메모리 사용량이 크게 감소한다. 그 다음, 업데이트 후 얻어지는 PMBM을 효율적으로 PMB로 근사한다. 두 가지 근사 방법이 제시된다. 1. **트랙‑지향 멀티베르누이(TO‑MB) 근사** - 기존 트랙(이미 존재하는 베르누이)마다 가장 가능성이 높은 로컬 가설을 선택한다. - 새로운 측정에 의해 생성된 베르누이(신규 트랙)는 그대로 유지한다. - 이는 기존 JPD‑A와 유사한 구조를 가지며, 연산량이 적고 구현이 간단하다. 2. **변분 멀티베르누이(VB‑MB) 근사** - Kullback‑Leibler Divergence(KLD)를 최소화하도록 전체 PMBM을 하나의 MB로 압축한다. - 두 가지 최적화 전략을 제시한다. a) 각 글로벌 가설에 대해 가장 가능성이 높은 로컬 가설 순열을 찾는 “순열 기반” 방법. b) 선형계획법을 이용해 전역 최적화를 수행하는 “LP 기반” 방법. - 존재 확률과 상태 밀도(감마‑가우시안‑역위시트, GGIW) 파라미터를 동시에 업데이트한다. 또한, 존재 확률이 낮은 베르누이 성분을 “재활용”(recycling)하여 PPP 강도에 흡수함으로써 베르누이 수를 추가로 감소시킨다. 이는 기존 연구