Bayesian Intent Prediction in Object Tracking Using Bridging Distributions

UESTC_Chenlin

已于 2022-08-19 16:04:34 修改

阅读量313

点赞数

分类专栏：论文笔记文章标签：人工智能自动驾驶

于 2022-08-19 12:45:50 首次发布

本文链接：https://blog.csdn.net/clzsl/article/details/126422702

版权

论文笔记专栏收录该内容

16 篇文章 25 订阅

订阅专栏

使用桥接分布的目标跟踪中的贝叶斯意图预测

[期刊] IEEE TRANSACTIONS ON CYBERNETICS

[年份]2018

摘要：

在几个应用领域，例如人机交互、监视和防御，确定被跟踪对象的意图使系统能够帮助用户/操作员并促进有效的、可能是自动化的决策制定。在本文中，我们提出了一种概率推理方法，该方法允许提前预测被跟踪对象的预期目的地及其未来轨迹。在这里介绍的框架内，观察到的目标的部分轨迹被建模为终止于其目的地的马尔可夫桥的一部分，因为目标路径（尽管是随机的）必须在预期的端点处结束。这捕获了轨迹中潜在的长期依赖关系，由对象意图决定。通过确定从特定建造的桥梁中引出部分轨迹的可能性，可以评估多个可能目的地中的每一个的概率。这些桥也可用于生成潜在系统状态的精确估计（例如，对象位置、速度等），预测其未来值（直到到达指定端点）并估计到达时间。这被证明导致推理例程的基于卡尔曼滤波器的低复杂度实现，其中可以应用任何线性高斯运动模型，包括目的地恢复模型。利用在装有导航仪的设备中收集的徒手指向手势数据和驶向多个可能港口的船只的合成轨迹来证明所提出方法的有效性。

关键词——贝叶斯推理、人机交互、卡尔曼滤波、海上监视、跟踪。

1.引言

在诸如监视，防御和人机交互 (HCI) 之类的几个应用领域中，被跟踪对象 (例如，船只，喷气机，行人或指向设备) 的轨迹由其最终目的地驱动。因此，对目标终点的先验知识不仅可以提供有关意图的重要信息，揭示潜在的冲突或威胁并启用任务促进策略，而且还可以产生更准确的跟踪动作 [1]-[9]。在本文中，我们解决了预测跟踪的预期目的地的问题(给定可用的噪声观测值，从一组有限的可能端点及其隐藏状态的未来值（例如，对象位置、速度等）)。与传统的传感器级跟踪器相比，这可以被视为在更高的系统级协助或自动化及时决策、规划和资源分配的一种手段。后者通常侧重于推断潜在状态 Xt 的当前值，使用几种成熟的算法 [10]-[12]。

为了激发这里介绍的工作，请考虑以下两个示例：

1) 海上监视：分析航线并确定给定地理区域内船只的目的地对于维持海上态势感知 (MSA) 是必要的，这对海上安全至关重要。这允许识别潜在的威胁、机会或恶意行为，从而保护资产或其他反应行动 [1]、[2]、[8]、[9]。鉴于典型海上交通的复杂性以及跟踪目标的大量可用信息，人们越来越关注通过从可获得的低级跟踪数据揭示感兴趣对象的意图来提高 MSA 系统的自动化程度。因此，对低复杂性和可靠的目的地和轨迹预测技术存在显着需求。在包括航空航天在内的一般监视应用中也可以找到类似的挑战，在 MSA 中用飞机代替船只。

2) 与触摸屏交互：触摸屏正在成为现代车辆的一个组成部分，因为它们能够呈现大量车载信息娱乐系统数据，并通过组合显示-输入-反馈模块提供额外的设计灵活性 [13]、[14 ]。使用这些显示器需要进行自由指向手势并投入大量注意力，否则这些注意力将可用于驾驶。因此，这种交互可能会分散驾驶主要任务的注意力，并具有安全隐患[15]。对自由手势的预期屏幕项目的早期推断可以简化和加快选择任务，从而通过减少干扰来提高车载触摸屏的可用性（有关意图感知显示器的概述，请参见 [16] 概念）。例如，假设终点预测确定性满足设定的标准，用户无需触摸显示表面来选择项目，允许空中选择。根据 [17] 中的用户研究，这可以显着减少与车载显示器交互相关的工作量（注意力）。

知道感兴趣的目标的目的有广泛应用。例如,预测行人的目的地 [18]，例如，周边的入侵者、一般的智能机器人导航，或存在其他移动智能体（如人 [19]-[24]）和高级驾驶员辅助系统 [25] ]。

A. 贡献

本文的主要贡献是开发了一种简单而稳健的贝叶斯意图推理方法，该方法将被跟踪对象的可用部分轨迹建模为终止于标称目的地的随机桥。它可以采用任何线性高斯运动模型，包括线性目的地恢复 (LDR) 模型，例如第 III-A 和 III-B 节中详述的那些，它们本质上是由被跟踪对象的端点驱动的 [16]。这里介绍的桥接框架利用了对象的路径（尽管是随机的）必须在预期目的地结束的前提。 由于端点是先验未知的，因此为每个可能的目的地构建了一座桥。 由于意图引导的预谋行动，这封装了对象轨迹中的长期依赖关系。通过确定观察到的部分轨迹从特定桥梁绘制的可能性，可以评估每个标称端点的概率，以及对当前对象状态 Xt 及其未来值 Xs 的精确估计（对于 s > t）。这是通过基于卡尔曼滤波器的推理来实现的，可以并行化。

值得注意的是，本文中提出的方法没有强加关于到达时间 T 在预期目的地 D 的先验知识。一种保守地选择每个端点的可能到达时间的先验分布就足够了。这允许引入一种技术，以从跟踪对象的可用部分轨迹顺序估计到达时间 T 的后验分布 p(T|D)。在此处采用的公式中，可能的目的地也可以指定为具有均值和协方差的（高斯）分布，以便对具有非零空间范围的端点进行建模；点目的地可以通过将协方差设置为零来建模。最后，我们使用真实指向数据 (HCI) 和合成船只轨迹 (MSA) 进行模拟，以说明基于桥接分布的预测器的推理能力。

B.相关工作

在 [1] 中提出了将预测信息纳入目标端点以提高跟踪结果准确性的首批技术之一，并推动了各种后续研究，例如 [3]。它假设事先知道到达目的地的时间来设计一个目的地感知跟踪器。在本文中，目标objective是利用运动模型来预测被跟踪对象的预期目的地，这些运动模型本身也依赖于端点。 这是使用基于多卡尔曼滤波器的解决方案完成的，无需强加 T 知识。值得注意的是，与广泛使用的交互多模型 [11]、[26] 和用于机动目标的广义伪贝叶斯 [27] 方法不同，在这里，我们为每个标称目的地构建一个桥模型，并且不应用模型之间的交互或切换。这是基于跟踪对象意图在到达其端点之前设置好的前提，从而导致简单且低复杂度的算法。

最近，在 [5] - [7] 中给出了便于推断对象状态Xt的目的地感知跟踪器，随后是确定其端点的附加机制，随后是 [28] 中的工作。对象轨迹被建模为离散的随机倒数或context-free过程，该过程可被视为Markov过程的非因果推广。状态空间在预定义区域内离散，例如，空间维度被划分为有限网格。因此，目标可以通过有限数量的区域。相比之下，我们采用了具有桥接分布的连续状态空间模型，该模型不会对被跟踪对象到达其端点所必须遵循的路径施加任何离散/限制。该公式在空间区域的离散化是繁重的应用中尤其重要，例如，利用自由手指点姿势在3-D中跟踪对象或为MSA测量大的地理区域；它还可以轻松处理有噪声的异步测量。与文献 [6] 和 [7] 的方法相比，本文提出的方法为意图预测问题提供了一个简单、有效的解决方案；它还结合了目的地预测和跟踪操作。

意图推断通常在异常检测的上下文中处理，例如 [2]、[4]、[6]-[9] 和 [29]。一种常见的方法是将跟踪对象的每个轨迹分类为正常或异常，即分类技术。这遵循定义（或从记录的数据中学习）构成普通行为的生活模式。假设有足够的数据关联算法[2]、[8]，偏离这一点被认为表示异常。例如，[5] 中引入了一种基于支持向量机的方法来对异常轨迹进行分类。 [9] 中使用了一种基于模型的技术，使用经过调整的隐马尔可夫模型来表征生活模式并预测符合目标的未来位置。类似地，在 [6] 和相关工作中，“tracklets”是包含轨迹的子模式，被定义为捕获复杂模式（例如异常或意图）的语义解释的一种手段。在本文中，提出了一种基于概率模型的公式来解决意图推断问题，而不是异常检测，使用桥接分布顺序计算各种意图的后验概率。

在指点任务早期在图形用户界面 (GUI) 上预测预期项目的好处在 HCI 中得到广泛认可，例如 [30]-[33]。大多数现有算法专注于通过机械设备（例如鼠标）在二维设置中的计算机屏幕上进行指向。在 [16] 中，基于 2-D 的预测器被证明不适合 3-D 中的指向任务。例如，[31] 和 [32] 中的线性回归方法假设目的地始终位于指向对象所遵循的路径上，这在徒手指向手势中很少成立。 [16] 中考虑了基于将指向运动建模为 LDR 过程的端点推断。与 [16] 相比，这里开发的基于桥接的解决方案更通用，对目标行为的可变性更稳健，从而获得了更好的预测结果。

最后，数据驱动的预测/分类技术，诸如在 [18]-[23] 、 [25] 中依赖于从记录的轨道/行为中学习的动态模型和/或环境的表示 (例如，包括物理约束)。例如，在 [18] 和 [33] 中引入了基于逆最优控制的预测器。这种方法通常需要很高的计算成本，并且需要从完整的数据集 (并非总是可用) 中进行大量参数训练。在本文中，正如在跟踪应用中常见的 [10]-[12]，已知的动力学和传感器模型 (例如，由于实际物理限制)，尽管参数未知，但被假定为状态空间建模方法。此处提出的解决方案需要最少的培训，易于并行化，并且计算效率高，但性能具有竞争力。

C.论文提纲

本文的其余部分安排如下。在第二节中，我们制定了解决的问题并定义了目标。第三部分概述了一系列可能的运动模型，并解决了目的地状态值的先验，即 XT。在第四节中，介绍了基于桥接的预测，并提供了所提出算法的伪代码。所提出技术的性能在第 V 节中使用真实的徒手指向手势数据和合成海船轨迹进行评估。最后，在第六节得出结论。

2.问题陈述

令 D ={d : d = 1,...,N} 为 N 个标称目的地的集合，例如，船舶可以停靠的港口或触摸屏上显示的可选图标。被跟踪对象到达先验未知的预定目的地 D 的时刻用 T 表示。虽然没有对 D 的布局做出任何假设，但每个端点都被建模为扩展区域，例如 GUI 图标或港口，而不是单个点如[16]。因此，第 d 个目的地由（高斯）分布 d N(ad, d) 定义；见第 III-C 节。

这里的目标是动态确定每个可能的端点是预期目的地的概率：