.png){kind=icon}
返回
Decentralized Variational Inference Frameworks for Multi-Object Tracking on Sensor Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2025.3584248.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文通过提出多种去中心化变分推断（VI）方案，解决了多传感器多目标跟踪的挑战，这些方案在仅通过邻近传感器间局部信息交换的情况下，实现了与中心化传感器融合相当的跟踪性能。首先，我们建立了一个中心化VI传感器融合方案作为基准，并分析了其去中心化对应方案的限制，该方案要求传感器在每个VI迭代中等待达成共识。因此，我们提出了一种去中心化梯度基VI框架，该框架优化局部最大化证据下界（LM-ELBO）而非标准ELBO，这缩小了参数搜索空间并实现了更快的收敛，特别有利于去中心化跟踪。所提出的框架具有内在的自演进特性，随着去中心化优化技术的进步，其在收敛保证和效率方面持续改进。此外，我们采用自然梯度和梯度跟踪策略来提升所提出去中心化方案的收敛速度。结果表明，我们的去中心化VI方案在跟踪性能上与中心化融合方案经验上等效。值得注意的是，去中心化自然梯度VI方法最为通信高效，其通信成本与次优去中心化策略相当，同时显著提高了跟踪精度。
Keyword:
Distributed sensor fusion
multiple object tracking
decentralised variational inference
gradient tracking
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
A distributed particle-PHD filter using arithmetic-average fusion of Gaussian mixture parameters.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏
查看更多内容