최근 공개된 연구 논문에서 인공지능 기반 다중 객체 추적(Multi-Target Tracking, MTT) 시스템의 효율성과 정확도를 획기적으로 개선한 새로운 모델, CNSF(Causal Neural Set Filtering)가 제안되었습니다. 기존 트랜스포머(Transformer) 기반 MTT 모델들이 과거 측정값을 반복적으로 재인코딩하며 불필요한 연산 부담을 초래했던 문제를 해결하여, 실시간 객체 추적 분야에 새로운 가능성을 제시하고 있습니다.
CNSF는 과거 정보를 구조화된 재귀적 추적 상태로 유지하면서 현재 측정값만을 인코딩하는 '신경망 집합 필터(neural set filter)' 방식을 채택합니다. 이는 '배타적 싱크혼 연관(exclusive Sinkhorn association)', '연관 조건부 칼만 형태 업데이트(association-conditioned Kalman-shaped updates)', 그리고 '측정 기반 탄생(measurement-driven birth)'을 포함하는 재귀적 베르누이 수명 주기 모델링(recurrent Bernoulli lifecycle modeling)을 결합한 결과입니다. 이러한 메커니즘을 통해 소프트한 일대일 제약을 적용하고, 연관성으로 인한 상태 불확실성을 전파하며, 놓친 감지나 객체의 생성-소멸 전환 상황에서도 존재 여부를 정확하게 추정할 수 있습니다.
시뮬레이션 테스트 결과, CNSF는 기존의 Track-MT3 모델에 비해 평균 GOSPA(Generalized Optimal Subpattern Assignment) 지표를 19.3%, T-GOSPA 지표를 30.4% 감소시켜 추적 정확도를 크게 향상시켰습니다. 또한, 매개변수(parameters)는 55.9% 적고, 단일 스레드 CPU 추론 속도는 3.76배 빨라져 연산 효율성 측면에서도 뛰어난 성능을 보였습니다. 이는 자율주행, 로봇 공학, 보안 감시 등 실시간으로 여러 객체를 동시에 추적해야 하는 다양한 응용 분야에서 비용 효율적이고 고성능의 솔루션을 제공할 수 있음을 의미합니다.