일반화된 중첩 측정을 위한 트랙‑비포‑디텍트 궤적 멀티베르누이 필터

초록

본 논문은 일반화된 슈퍼포지셔널 측정 모델을 이용해 트랙‑비포‑디텍트(TbD) 상황에서 살아있는 궤적과 전체 궤적을 동시에 추정하는 T‑IEMB 필터를 제안한다. 측정의 조건부 평균·공분산을 근사해 Gaussian 업데이트를 수행함으로써 계산량을 크게 줄였으며, 비가우시안 레이더 시뮬레이션에서 입자 필터 기반 기존 방법보다 우수한 추적 성능을 보였다.

상세 분석

이 논문은 Random Finite Set(RFS) 프레임워크를 기반으로 다중 목표 추적을 수행하면서, 기존의 점 검출 기반 방법이 약한 신호에 취약한 점을 보완하기 위해 트랙‑비포‑디텍트(TbD) 접근을 채택한다. 핵심 기여는 세 가지로 요약된다. 첫째, 저자들은 “일반화된 슈퍼포지셔널 측정 모델”을 정의한다. 이 모델은 각 목표의 상태를 비선형 함수 h(·)와 R(·)를 통해 숨겨진 변수로 변환하고, 이 변수들의 합을 m(·)와 Σ(·)라는 외부 매핑 함수에 의해 조건부 평균과 공분산으로 변환한다. 이렇게 하면 레이리, 리스 등 다양한 비가우시안 분포를 포함하는 측정 모델을 하나의 프레임워크로 통합할 수 있다. 둘째, 조건부 평균·공분산을 근사하는 두 단계의 Gaussian 구현을 제시한다. 내부 비선형 변환을 1차 테일러 전개와 Iterated Posterior Linearisation Filter(IPLF)를 이용해 선형화함으로써, 복잡한 적분 없이도 정확한 1차 및 2차 모멘트를 얻는다. 이는 입자 필터가 필요로 하는 고차원 샘플링 비용을 크게 감소시킨다. 셋째, 기존 IEMB 필터를 궤적 수준으로 확장하여 Trajectory‑IEMB(T‑IEMB) 필터를 설계한다. 여기서는 살아있는 궤적 집합과 전체(과거 포함) 궤적 집합을 각각 다루는 두 개의 다중베르누이(TMB) 밀도를 정의하고, 베이즈 예측‑업데이트 단계에서 Kullback‑Leibler Divergence(KLD) 최소화 원리를 적용해 비베르누이 형태의 사후를 베르누이 근사로 압축한다. 살아있는 궤적은 생존 확률 p_S(x)와 전이 밀도 g(·)에 따라 업데이트되며, 전체 궤적은 사망 후에도 상태가 고정된 채 유지된다. 이 구조는 기존 트랙‑빌딩 방식보다 일관된 베이즈 추론을 제공한다. 실험에서는 비가우시안 레이더 시뮬레이션(리시안 잡음)에서 두 가지 Gaussian T‑IEMB 구현을 비교했으며, 입자 기반 PHD/MB 필터 대비 동일한 추적 정확도와 더 낮은 연산 시간을 기록했다. 특히, 살아있는 궤적 추정에서 OSPA‑2 지표가 15 % 이상 개선되었으며, 전체 궤적 추정에서도 동일한 경향을 보였다. 전체적으로 이 논문은 복잡한 비선형·비가우시안 측정 환경에서도 효율적인 다중 목표 궤적 추적을 가능하게 하는 이론적·실용적 토대를 제공한다.