다중 목표 추적을 위한 궤적 집합 기반 베이지안 프레임워크

본 논문은 다중 목표 추적(MTT) 문제를 베이지안 관점에서 완전하게 다루기 위해, 목표들의 궤적을 “집합”이라는 형태로 모델링하는 새로운 프레임워크를 제안한다. 기존의 RFS 기반 다중 목표 필터링은 매 시점의 목표 집합에 대한 확률 밀도만을 제공해, 시간에 걸친 연속적인 궤적 정보를 직접적으로 다루지 못한다. 이러한 한계를 극복하고자 저자들은 각 목표를 시작 시점 t, 길이 i, 그리고 상태 시퀀스 x₁:ᵢ 로 표현한 궤적 X = (t, x₁:ᵢ)를 정의하고, 이러한 궤적들의 유한 집합 𝓧를 전체 시스템 상태로 채택한다. 𝓧∈𝔽(𝓣)이며, 𝓣는 (t,i) 쌍과 해당 상태 공간의 디스조인트 합으로 구성된다. 이때, 두 궤적이 동일 시점에 동일 상태를 가질 수 없다는 RFS의 기본 가정을 궤적 집합에도 적용해, τₖ(𝓧)라는 시점 k에서의 목표 상태 집합을 정의한다. 논문은 먼저 기존의 라벨 기반 RFS 접근법을 비판한다. 라벨을 도입하면 상태 차원이 증가하고, 라벨이 관측되지 않을 경우 라벨-목표 연관에 대한 불확실성이 발생한다. 특히 IID 클러스터 혹은 포아송 출생 모델에서는 동일 시점에 탄생한 목표들 사이의 라벨 매칭이 전혀 식별되지 않아, 트랙 스위칭이 지속되는 문제를 야기한다. 라벨이 물리적 의미를 갖지 않음에도 불구하고 인위적으로 도입되는 라벨은 무수히 많은 등가 표현을 만들며, 이는 평가 지표 설계와 최적 추정에 불리하게 작용한다. 이에 대한 해결책으로 제시된 것이 “궤적 집합”이다. 궤적 집합은 라벨이 전혀 필요 없으며, 각 궤적은 시작 시점과 길이, 그리고 상태 시퀀스로 완전히 정의된다. 따라서 동일 물리적 상황에 대해 하나의 유일한 수학적 표현만 존재한다. 이 특성은 두 가지 중요한 장점을 제공한다. 첫째, 라벨 불확실성으로 인한 트랙 스위칭 문제가 사라진다. 둘째, 궤적 집합 위에 정의된 확률 밀도, 즉 멀티궤적 밀도는 전체 궤적에 대한 완전한 사후 정보를 담고 있어, “특정 시점에 목표가 A 지역에 있었고 현재 B 지역에 있다”와 같은 복합적인 질문에 직접 답할 수 있다. 베이지안 프레임워크 내에서 멀티궤적 밀도를 정의하고, 이를 계산하기 위한 필터링 방정식을 FISST(유한 집합 통계) 이론에 맞추어 유도한다. 저자들은 표준 선형·가우시안 동역학 모델을 가정하고, 멀티베르누이, 포아송, IID 클러스터와 같은 기존 RFS 모델의 공액(conjugate) 형태를 확장한 멀티궤적 밀도 가족을 제시한다. 이 가족은 예측 단계에서 새로운 궤적(탄생)과 기존 궤적(생존·소멸)을 적절히 결합하고, 업데이트 단계에서 측정 집합과의 연관성을 고려한다. 중요한 점은, 전체 라벨 시퀀스에 대한 조인트 밀도와 비교했을 때, 멀티궤적 밀도는 항의 수가 훨씬 적어 계산 복잡도가 크게 감소한다는 것이다. 논문은 또한 제안된 접근법을 기존 방법들과 비교한다. 라벨 기반 RFS는 라벨-목표 연관이 불확실할 때 트랙 스위칭이 발생하고, 평가 지표가 라벨에 의존해 물리적 의미를 잃는다. 전통적인 MHT는 라벨 없이도 트랙을 구성하지만, 상태 공간이 크게 증가하고, 최적화가 NP‑hard 수준으로 복잡해진다. 반면, 궤적 집합 기반 필터는 라벨이 없으면서도 최소한의 상태 차원으로 전체 궤적 정보를 보존한다. 또한, 멀티궤적 밀도와 기존 멀티타깃 필터링 밀도(멀티베르누이, PHD 등) 사이의 관계를 명확히 정의해, 기존 필터링 기법을 궤적 추적에 자연스럽게 확장할 수 있음을 보여준다. 예를 들어, 멀티궤적 PHD 필터는 기존 PHD 필터의 예측·업데이트 식을 궤적 차원으로 그대로 옮긴 형태이며, 실시간 구현 가능성을 시사한다. 마지막으로 두 개의 시뮬레이션 예제가 제시된다. 첫 번째 예제는 목표가 서로 근접 후 분리되는 상황에서 라벨 기반 방법이 겪는 트랙 스위칭을 보여주며, 궤적 집합 기반 필터가 정확히 목표를 구분함을 입증한다. 두 번째 예제는 포아송 출생 모델을 사용한 경우로, 라벨 불확실성으로 인한 추정 오류가 라벨 기반 접근에서 크게 나타나는 반면, 제안된 방법은 출생 시점과 길이를 명시적으로 모델링해 정확한 궤적 추정을 수행한다. 이 결과들은 궤적 집합이 라벨 기반 방법의 근본적인 한계를 극복하고, 보다 효율적이며 정확한 다중 목표 추적을 가능하게 함을 실증한다. 결론적으로, 본 논문은 “목표 궤적 집합”이라는 새로운 상태 변수를 도입해 다중 목표 추적 문제를 완전한 베이지안 형태로 재정의하고, 이를 위한 멀티궤적 밀도와 필터링 방정식을 제시한다. 라벨에 의존하지 않는 최소·무중복 표현은 트랙 스위칭 문제를 해소하고, 계산 복잡도를 낮추며, 물리적 의미를 갖는 평가 지표 설계가 가능하도록 한다. 향후 연구에서는 제안된 이론을 기반으로 실시간 가능한 근사 알고리즘(예: 궤적 PHD, 궤적 CPHD) 개발과, 비선형·비가우시안 모델, 센서 네트워크 등 다양한 실제 적용 사례에 대한 확장이 기대된다.