분산 포아송 다중베르누이 필터를 이용한 차량 추적

본 논문은 고해상도 센서가 제공하는 다중 측정 데이터를 활용해 차량과 같은 확장 대상(Extended Target, ET)을 동시에 존재·위치·형상까지 추정하는 분산 추적 프레임워크를 제안한다. 전통적인 다중 목표 추적(Multi‑Target Tracking, MTT)에서는 목표를 점(target)으로 모델링하고, 포아송 다중베르누이 혼합(PMBM) 필터가 널리 사용되어 왔다. 그러나 라이다와 같은 고해상도 센서는 하나의 차량에서 여러 개의 반사점을 생성하므로, 점 모델은 부적합하고 목표의 외형을 모델링해야 한다. 이를 위해 저자는 가우시안 프로세스(Gaussian Process, GP) 기반의 별형(Star‑convex) 형태 모델을 채택한다. GP는 방위각마다 반경을 연속 함수로 정의해, 복잡한 차량 외형을 유연하게 표현하면서도 파라메트릭 형태를 유지한다. 시스템은 N개의 독립적인 센싱 유닛(센서+필터)으로 구성된다. 각 유닛은 자체적인 측정 집합 Zₛ를 받아, 포아송‑다중베르누이(PMB) 형태의 후방 밀도 fₛ(X|Zₛ) 를 계산한다. PMB는 미탐지 대상은 포아송 과정(PPP)으로, 탐지된 대상은 다중베르누이(MB)로 구분한다. 예측 단계에서는 목표의 동역학 모델 fₖ₊₁|ₖ와 존재 확률 p_S를 이용해 PPP 강도와 MB 존재 확률·상태를 업데이트한다. 업데이트 단계에서는 측정 집합 Z와 데이터 연관(DA) 문제를 해결하기 위해, 가능한 DA 가설을 클러스터링으로 제한하고, 각 가설에 대한 베르누이 파라미터를 계산한다. 결과는 PMBM 형태가 되며, 이를 다시 PMB 형태로 근사한다(다중베르누이 혼합을 단일 베르누이 집합으로 압축). 분산 융합은 각 센서가 만든 PMB 후방 밀도를 직접 교환함으로써 이루어진다. 저자는 Kullback‑Leibler 평균(KLA) 방식을 사용해, PPP와 MB를 각각 독립적으로 융합한다. KLA는 사전 정보가 불명확한 상황에서도 보수적인 결합을 제공해 과신을 방지한다. MB 파트의 융합에서는 트랙 매핑이 핵심이다. 각 센서가 만든 트랙은 존재 확률 r_i와 상태 분포 f_i(x) 로 표현되며, 서로 다른 센서의 트랙 간 유사성을 Kullback‑Leibler Divergence(KLD)로 측정한다. KLD가 최소인 쌍을 매핑하고, 매핑된 트랙에 대해 KLA를 적용해 존재 확률과 상태 분포를 결합한다. 매핑되지 않은 트랙은 그대로 유지한다. 이 과정은 연산량을 크게 줄이며, 중복 정보가 과도하게 반영되는 것을 방지한다. 알고리즘 구현에서는 단일 가설 트랙(single‑hypothesis track) 방식을 채택해, 다중 가설 트랙(MHT)에서 발생하는 조합 폭을 억제한다. 또한 차량의 kinematic 상태와 GP 형태 파라미터를 각각 가우시안 형태로 유지함으로써, 예측·업데이트 단계에서의 수치적 복잡성을 낮춘다. 시뮬레이션은 두 대의 라이다 센서가 부분적으로 겹치는 시야(FoV)를 갖는 환경에서 3대의 차량을 추적하도록 설정하였다. 비교 대상은 중앙집중식 PMBM 필터와 기존 분산 베르누이 필터이다. 결과는 다음과 같다. (1) OSPA 거리와 존재 확률 추정 정확도에서 제안된 분산 PMB‑ETT 필터가 중앙집중식 PMBM과 동등하거나 더 우수했다. (2) 차량 형태 추정에서는 GP 모델이 기존 타원형 모델보다 평균 형태 오차를 30 % 이상 감소시켰다. (3) 통신량은 원시 측정 데이터 전송 대비 20배 이상 감소했으며, 각 센서당 평균 처리 시간은 8 ms 내외로 실시간 요구조건을 만족했다. 본 연구는 다중 라이다·레이다·카메라 등 이기종 센서가 협업하는 자율주행 및 ITS(지능형 교통 시스템) 시나리오에 적합한 프레임워크를 제공한다. 향후 연구 과제로는 트랙 라벨링을 통한 영속적인 객체 식별, 비동기 센서 데이터 융합, 그리고 실제 도심 환경에서의 실험 검증이 제시된다.