| 논문명 | 다중표적 추적필터와 자료연관 기법 동향 |
|---|---|
| 저자(소속) | 송택렬( 한양대 ) |
| 학회/년도 | 제어로봇시스템학회 2014 |
| Citation ID / 키워드 | |
| 데이터셋(센서)/모델 | |
| 관련연구 | |
| 참고 | |
| 코드 | - |
다중표적 추적필터와 자료연관 기법 동향
I. 서론
표적을 탐지하고 추적을 수행하는 목표는 다음과 같은 의문에 대한 답을 제공하기 위한 것이다.
- 이러한 센서환경에서 표적이 존재하는가?
- 존재한다면 몇개가 있는가?
- 어디에 있는가?
- 미래의 위치는 어디일까? 추적 중인 물체는 무엇인가?
센서 종류
- 선형 센서 : 능동레이더, 능동소나와 같이 물체의 위치를 측정치로 제공
- 비선형 센서 : 수동레이더, 수동소나, 적외선 카메라, 마이크로폰과 같이 표적의 방위각을 측정치로 제공
이러한 환경에서 사용되는 선형, 비선형 필터 구조는 [1]에 기술되어 있다.
문제점
- 클러터 : 표적의 측정치 외에도 잡음이나 지면 또는 해면, 구름 등에 의해 반사되는 신호를 처리해서 생기는 클러터
- 확장표적(extended object): 한 개의 물체에서 여러 개의 측정치가 얻어지
- 여러 개의 물체가 근접해서 측정치들이 하나의 분해능 셀 내부에 모이게 된다면 하나의 측정치
요구사항 : 표적추적 환경에서 표적을 추적하는 데는 일반적으로 다음과 같은 가정
- 표적의 움직임은 수학적 모델로 기술할 수 있다.
- 표적의 출몰시간은 불규칙하며 탐지확률 $p_D$ 는 1보다 작다.
- 하나의 표적측정치는 기껏해야 한 개다.
- 클러터의 개수는 Poisson 분포를 하고 공간상의 밀도는 측정치가 존재하는 위치의 함수이다.
- 무한 분해능의 센서를 사용하고 하나의 측정치는 한개의 물체를 소스로 갖는다.
- 측정잡음은 평균이 0이고 공분산값이 알려진 백색 Gaussian 잡음이다.
거짓 트랙 판별기법(FTD: False Track Discrimination)
- 획득된 측정치들 가운데서 진짜 표적의 측정치를 선별하여 트랙정보를 쇄신
- 진짜 트랙을 빠르게 확정하고 거짓 트랙을 빠르게 종료시키는 것이 필수적 기능
- 확정된 트랙이 표적을 추적중이라면 지속적으로 그 표적을 놓치지 않고 추적
- 근접하는 다른 표적들과 트랙을 교환하거나 트랙이 뭉치는것을 방지
FTD를 위해 물체를 추적 중인 트랙의 quality를 나타내는 지수
- 측정치 우도함수(measurement likelihood function)
- 표적 존재확률
| 자료연관 기법(data association):생성된 트랙들이 센서의 측정치를 이용하여 트랙을 쇄신하기 하기 위해서 추적 중인 물체의 측정치를 선택하는 기법 |
|---|
다음 장에서 트랙의 개수에 따라 구분되는 자료연관 기법과 이러한 자료연관 기법에 따라 구조가 결정되는 표적 추적필터에 대해 기술하고자 한다.
II. 단일표적 추적 알고리듬
일반적으로 자료연관 기법은 유효측정영역(validation gate)을 두고 그 안에 존재하는 측정치들을 이용하여 표적 측정치를 판별
유효측정영역: 트랙의 예측치와 측정치의 확률분포를 이용한 확률적 경계 영역을 일컬으며 다음과 같은 수식으로 계산된다.
| $$ G_\gamma(k) = {v_k \mid NDS \leq \gamma} $$ |
|---|
 |
NDS : 측정치의 유효측정영역 내에서의 존재 유무와 위치를 기반으로 한 자료연관 알고리듬에서 표적의 측정치를 판별하는데 있어서 중요한 요소가 된다.
해당 트랙이 실제 표적을 추적하는지 추적하지 않는지에 대한 판단이 빠르게 이루어져야 한다. 이러한 판단을 하기 위해서는 트랙의 quality를 정량적으로 측정할 수 있는 알고리듬이 필요
위치정보를 기반으로 하는 단일표적 자료연관 기법
- NN(Nearest Neighbor) 기법[5],
- PDA (Probabilistic Data Association) 기법 [2-4,6,7],
- IPDA (Integrated Probabilistic Data Association) 기법[8],
- ITS (Integrated Track Splitting) 기법[9],
- PNNF-m (Probabilistic Nearest Neighbor Filter with m Measurements) [10]
2.1 NN 기법
클러터 환경에서 단일 표적추적을 위한 가장 간단한 자료연관 기법
표적의 예측 위치를 중심으로 가장 작은NDS를 가지는 측정치를 표적의 측정치로 단정해서 선택하여 트랙을 쇄신하는 방법
단점 : 이 기법은 클러터의 공간밀도가 클수록, 표적의 탐지확률이 낮을수록 트랙을 놓치기쉽고 표적 상태의 추정성능도 나빠진다.
2.2 PDA
PDA와 IPDA는 NN 필터가 갖는 측정치를 잘 못 선택할 수 있는 단점을 개선하기 위해 유효측정영역 내부의 모든 측정치들을 이용하는 기법으로 측정치의 NDS에 따라 확률적 가중치를 달리하여 트랙을 쇄신한다.
각 측정치를 표적의 측정치로 간주하여 이 측정치를 이용하여 트랙을 쇄신하여 얻은 확률밀도함수들과 유효측정영역 내부에 표적이 탐지되지 않을 경우의 예측 확률밀도함수를 구하고 이들을 확률적 가중치로 결합하여 구한 Gaussian Mixture 확률밀도함수를 한 개의 Gaussian 확률밀도함수로 근사화한다.
이 부분이 이러한 근사화가 없는 Track Splitting 필터기법 [9]과 구분된다.
2.3 IPDA
- 트랙을 임시트랙, 확정트랙, 종료트랙 등과 같이 구별하여 트랙을 관리하는 트랙스코어로 표적존재확률을 산출해서 사용하는 기법이다.
2.4 PNNF-m은
NN기법이 NDS가 가장 작은 측정치를 표적측정치로 단정하는 것을 지양하고 유효측정영역 내부의 m 개의 측정치 가운데서 그측정치가 표적측정치가 될 확률을 신출하고 그 확률을 가중치로 해서 트랙을 쇄신하는 기법이다.
유효측정영역 내의측정치들의 NDS와 같은 위치정보를 사용하는 대신에 신호의 세기를 이용하는 방법이 있으며 가장 신호의 세기가 큰것을 표적으로 단정하는 SN(Strongest Neighbor) 기법[11]이대표적
- 변형 : PSNF-m[12],PDA-AI(PDA-Amplitude Information) [13]을 들 수 있다.
이 외에도 Order Statistic [14]을 이용하여 표적의 위치정보와 신호의 세기를 동시에 고려하여 추적성능을 향상시키는 자료연관 기법이 제안되었다[11].
III. 다중표적 추적 알고리듬
일반적으로 자료연관 기법은 유효측정영역 설정을 통해 트랙과 측정치를 연관 짓게 되는데 다중표적 자료연관 기법은 어떤 트랙의 유효측정영역에 존재하는 모든 측정치가 다른 트랙의 유효측정영역에 들어가지 않는 경우, 즉 공통으로 공유하는 측정치가 없는 경우 단일표적 자료연관 알고리듬과 동일하다는 특성을 가진다.
또한 현재 존재하는 모든 트랙과 입수된 모든 측정치들을 이용하여 다중표적 자료연관을 수행하게 되는 경우 많은 가설이 생기며 연산량 또한 증가하기 때문에 다중표적 자료연관 기법은 클러스터링 기법을 이용하여 발생 가능한 가설 및 연산을 최소한으로 줄이게 된다.
- 여기서 클러스터링 기법이란 유효측정 영역에 공통으로 공유하는 측정치가 존재할 경우 이러한 트랙들과 그 트랙들의 유효측정영역에 포함되는 모든 측정치들을 하나로 묶는 기법으로 간단한 예를 들면 다음 그림과 같다.
 |
 |
|---|---|
그림 1에서 볼 수 있듯이 총 4개의 트랙과 4개의 측정치가 존재하며,
- 측정치 z_2 는 트랙 T^1 과 T^2 에 공통으로 속하고,
- 측정치 z_4 는 트랙 T^3 과 T^4 에 공통으로 속하므로
- 위의 표와 같이 총 2개의 클러스터가 생기게 된다.
결국 다중표적 자료연관 기법은 4개의 트랙과 4개의 측정치에 대하여 다중표적 자료연관을 수행하는 것이 아니라 위와 같이 클러스터링 단위로 다중표적 자료연관 기법이적용하게 되며 만약 하나의 트랙으로 클러스터링 되는 경우의 다중표적 자료연관은 단일표적 자료연관 기법을 동일하게 사용하게 된다.
클러터가 존재하는 환경에서 다중표적을 추적하는 문제에서는 측정치가 클러터 내지 표적으로부터 기인하였다는 가설아래 각 가설에 대한 확률값을 계산하는 단일표적 자료연관 기법을 확장하여 측정치가 클러터이든지 표적 또는 다른 표적으로부터 기인되었을 가설을 확률적 평가를 통해 해를 얻게 된다.
[제약] 이러한 다중표적 추적환경에서 가장 간단한 추적 방법은 단일표적 자료연관 기법을 이용하는 것인데, 다수의 표적들이 서로 근접해 있지 않을 경우에는 문제가 없으나 서로 근접해 있을 경우 트랙이 뭉치거나 스위칭이 발생하는 문제점을 가지고 있다.
- 트랙이 뭉치는 경우 두 트랙이 같은 표적을 추적하며 다른 표적은 다시 트랙 초기화를 거치게 되므로 레이더 자원의 낭비를 초래하며,
- 트랙이 스위칭 되는 단적인 예로는 아군과 적군을 추적하던 두 트랙이 스위칭되는 경우가 있으며 이러한 경우 큰 문제를 초래 할 수 있다.
다중표적 및 클러터가 존재하는 환경에서 표적추적을 위해 현재 다양한 연구가 활발히 진행되고 있으며, 전형적인 방법으로는
- 2-D assignment 또는
- GNN(Global Nearest Neighbor) [6,16]과 같이
- 트랙과 측정치의 확률적 평가를 통해 각 트랙에 하나의 측정치를 할당하는 방식이 있다.
이렇게 측정치들을 트랙에 할당하는 측정치할당 방법은 측정치가 각 트랙에 속할 가설들을 계산하게 되는데 측정치와 트랙의 증가에 따라 가설들이 기하급수적으로 증가하게 된다.
이를 막는 가장 간단한 방법은 유효측정영역을 이용하는 방법이다.
이 방법은 각 트랙의 유효측정영역 안에 들어 있는 측정치들을 각각의 트랙에 할당하는 방법으로 만약 트랙의 유효측정영역이 겹칠 경우 겹치는 영역의 측정치만을 어느 트랙에 할당할지 판별하게 된다.
 |
 |
|---|---|
쉬운 예로 [그림 2]와같이 A, B 두 개의 트랙이 존재하고, 두 트랙의 유효측정영역에 총 3개의 측정치가 존재할 경우를 보면 다음과 같다.
먼저 측정된 측정치가 새로운 표적으로부터 기인될 수 있으므로 각각의 새로운 표적을 C, D 그리고 E라고 하면 [그림 3]과 같이 28개의 가설이 생길 수 있다.
[그림 3]에서 N은 어느 표적에서도 기인되지 않은 측정치 즉 클러터를 의미한다.
위의 예에서 볼 수 있듯이 유효측정영역을 이용한 방법도 2개의 트랙과 3개의 측정치에 대하여 상당히 많은 가설이 생기는 것을 알 수 있다.
GNN 기법 [6,16]은 유효측정영역 내부의 측정치가 기껏해야 한 개의 트랙과 연관 될 수 있다는 제약조건하에서 트랙들과 측정치들의 연관확률의 합을 최대화 하는 트랙-측정치 쌍을 수치 최적화[6,38,39]로 구한다.
이러한 GNN기법은 단일표적 추적에 사용되는 NN기법의 단점을 그대로 가지고 있다.
다중표적을 추적하는데 있어서 트랙과 센서의 개수에 따른 급격한 가설의 증가는 연산량의 증가를 발생시키며 이러한 이유로 실시간 연산이나 실제 체계적용이 불가능하게 만든다.
대표적인 다중표적 추적 알고리듬으로는 트랙과 측정치 사이의 발생 가능한 모든 joint event를 계산하여 자료 연관을 수행하여 연산량은 많지만 최적으로 알려진
- JPDA(Joint PDA) [2,17],
- JIPDA (Joint Integrated PDA) 기법[18],
- JITS (Joint Integrated Track Splitting) 기법[19]을 들 수 있다.
그리고 다수의 가설을 이용한 표적 추적기법인
- track oriented MHT (Multiple Hypothesis Tracking) 기법 [2,5,20]도 널리 적용되고 있다.
그리고 기하급수적으로 증가하는 트랙-측정치간의 joint event의 수로 인해 실용성이 결여되는 것을 방지하기 위해 준최적 할당기법이 제안되었다[21-24].
- LM-IPDA (Linear Multitarget - Integrated Probabilistic Data Association) [25],
- LM-ITS (Linear Multitarget - Integrated Track Splitting) [19,25] 알고리듬은
한 표적의 개수 증가에 따라 가설의 증가가 선형적으로 증가하는 연산량의 기하급수적인 증가를 막으면서, 최적에 가까운 표적추적 성능을 나타내는 다중표적 자료연관 기법으로 알려져 있다.