칼만 필터 (r1)

칼만 필터의 핵심 동작 원리는 상태 추정과 오차 보정의 반복적 과정에 있다. 이 알고리즘은 시스템 모델과 센서 측정값이라는 두 가지 불완전한 정보원을 결합하여, 직접 관측하기 어렵거나 노이즈가 포함된 시스템의 참 상태를 추정한다. 시스템 모델은 이전 상태를 바탕으로 다음 상태를 예측하지만, 모델 자체의 불완전성으로 인해 모델 오차가 발생한다. 반면, 센서는 시스템의 일부를 직접 측정하지만 계측 오차를 포함한다.

칼만 필터는 예측 단계에서 시스템의 동역학을 기술하는 상태공간방정식을 사용해 다음 시점의 상태와 그 오차의 불확실성(공분산)을 예측한다. 이후 업데이트 단계에서는 실제 센서 측정값이 들어오면, 예측값과 측정값 사이의 차이를 계산한다. 이 차이를 얼마나 신뢰하여 예측값을 보정할지 결정하는 것이 바로 칼만 이득(K)이다. 칼만 이득은 모델 오차와 계측 오차의 상대적 크기(공분산)에 따라 동적으로 계산되는 최적의 가중치이다.

이 보정 과정을 통해 필터는 지속적으로 자신의 추정 오차를 최소화한다. 모델이 매우 정확하다면 칼만 이득은 작아져 예측값을 더 신뢰하고, 반대로 센서 측정이 매우 정확하다면 칼만 이득은 커져 측정값을 더 반영한다. 이러한 예측과 보정의 재귀 알고리즘은 로켓 추적, 자율주행차의 위치 결정, 로봇 공학 등 정밀한 제어와 추정이 필요한 다양한 분야에서 필수적인 도구로 사용된다.

칼만 이득(K)은 칼만 필터의 핵심으로, 예측 단계에서 얻은 추정치와 실제 측정값 사이의 가중 평균을 결정하는 최적의 가중치 역할을 한다. 이 값은 시스템 모델의 불확실성과 센서 측정의 불확실성 사이의 균형을 자동으로 조절한다. 구체적으로, 칼만 이득은 모델 오차의 공분산(P)과 계측 오차의 공분산(R)을 기반으로 계산되며, 이 두 가지 오차 정보를 결합하여 최종 상태 추정치를 얼마나 예측값에 의존할지, 혹은 측정값에 의존할지를 결정한다.

칼만 이득의 계산 공식은 K = P H^T (H P H^T + R)^{-1} 이다. 여기서 H는 측정 모델을 나타내는 행렬이다. 만약 모델이 매우 정확하여 모델 오차 공분산 P가 0에 가깝다면, 칼만 이득 K도 0에 가까워진다. 이 경우 필터는 새 측정값을 거의 신뢰하지 않고 시스템 모델의 예측을 주로 따른다. 반대로, 센서가 매우 정확하여 계측 오차 공분산 R이 0에 가깝다면, 칼만 이득은 커져 새 측정값을 강하게 반영하게 된다.

이러한 동적 조정 메커니즘을 통해 칼만 필터는 시간이 지남에 따라 추정 오차의 공분산을 최소화한다. 즉, 칼만 이득은 각 주기에서 사용 가능한 모든 정보(과거 예측과 새로운 관측)를 최적으로 융합하는 비율을 제공한다. 이 과정은 베이즈 정리의 관점에서 사전 확률(예측)과 가능도(측정)를 결합하여 사후 확률(업데이트된 추정)을 계산하는 것과 같다. 따라서 칼만 이득은 단순한 가중치가 아니라, 불확실성 하에서 최적의 상태 추정을 가능하게 하는 필터의 "두뇌"라 할 수 있다.

예측 단계는 칼만 필터 알고리즘의 첫 번째 주요 단계이다. 이 단계에서는 시스템의 이전 상태 추정치와 시스템의 동역학을 설명하는 수학적 모델을 바탕으로, 현재 시점 또는 다음 시점의 시스템 상태를 사전에 예측한다. 이 과정은 측정값이 아직 도착하지 않았거나 사용할 수 없는 상황에서도 시스템의 동작을 계속 추적할 수 있게 해준다.

구체적으로, 이전 시간 단계(k-1)에서 계산된 최적 상태 추정치 $\hat{x}_{k-1}$와 상태 공분산 행렬 $P_{k-1}$을 사용한다. 시스템의 동작은 상태 천이 행렬 A로 모델링된다. 예측 단계에서는 이 모델을 사용하여 현재 시간 단계(k)의 사전 상태 추정치 $\hat{x}_k^-$를 계산한다. 수식으로는 $\hat{x}_k^- = A \hat{x}_{k-1}$로 표현된다. 동시에, 이 예측의 불확실성을 나타내는 사전 공분산 $P_k^-$도 예측한다. 이는 $P_k^- = A P_{k-1} A^T + Q$ 공식을 통해 구해지며, 여기서 $Q$는 프로세스 노이즈의 공분산 행렬로 시스템 모델 자체의 오차나 외부 섭동을 의미한다.

따라서 예측 단계의 출력은 측정값을 고려하기 전의, 순수히 모델 기반으로 예측한 상태와 그 예측의 정확도에 대한 신뢰도(공분산)이다. 이 예측값은 이후 업데이트 단계에서 실제 센서로부터 얻은 측정값과 비교되고, 칼만 이득을 통해 보정되어 보다 정확한 사후 추정치를 생성하는 데 사용된다. 이 두 단계의 반복을 통해 필터는 노이즈가 있는 측정값 속에서도 시스템의 참 상태를 효과적으로 추정해낸다.

업데이트 단계는 칼만 필터의 핵심 과정으로, 예측 단계에서 얻은 사전 추정치를 실제 센서 측정값과 비교하여 보정하는 단계이다. 이 단계에서는 칼만 이득이 계산되고, 이를 활용해 최종적인 상태 추정치와 그 불확실성(공분산)을 갱신한다.

먼저, 실제 측정값 z_k와 예측 단계에서 예측된 측정값 H * x̂_k^- 사이의 차이인 잔차(residual)를 계산한다. 이 잔차는 예측 모델의 오차와 계측 오차를 모두 포함한다. 이 잔차에 칼만 이득 K_k를 곱하여 보정량을 결정한다. 칼만 이득은 모델 오차의 공분산 P_k^-와 계측 오차의 공분산 R_k 사이의 최적 가중치를 계산하는 공식 K_k = P_k^- H^T (H P_k^- H^T + R_k)^{-1}으로 구해진다. 이 값은 모델의 신뢰도와 센서의 신뢰도에 따라 자동으로 조정된다.

계산된 칼만 이득과 잔차를 사용하여 상태 추정치를 보정한다. 최종적인 사후 추정치는 x̂_k = x̂_k^- + K_k (z_k - H x̂_k^-) 공식으로 갱신된다. 동시에, 추정치의 불확실성을 나타내는 공분산 행렬도 P_k = (I - K_k H) P_k^- 공식을 통해 업데이트된다. 이렇게 갱신된 상태 추정치 x̂_k와 공분산 P_k는 다음 주기의 예측 단계에 사용되며, 이 과정의 반복을 통해 추정 정확도가 지속적으로 향상된다.

이 업데이트 단계는 베이즈 정리의 관점에서 새로운 측정 데이터(evidence)를 반영하여 사전 확률(prior)을 사후 확률(posterior)로 개선하는 과정에 해당한다. 이를 통해 제어 시스템, 항법 시스템, 목표 추적 등 다양한 분야에서 잡음이 있는 환경에서도 시스템의 내부 상태를 정밀하게 추정할 수 있다.

확장 칼만 필터는 칼만 필터를 비선형 시스템에 적용하기 위한 가장 대표적인 변형이다. 기본 칼만 필터는 선형 시스템과 가우시안 노이즈를 가정한 최적 추정 알고리즘이지만, 실제 세계의 많은 시스템, 예를 들어 항공기의 자세 제어나 로봇의 위치 추정은 비선형 동역학을 따른다. 확장 칼만 필터는 이러한 비선형성을 해결하기 위해, 시스템의 현재 추정치를 기준으로 국소 선형화를 수행한다. 구체적으로, 상태 천이 방정식과 관측 방정식을 1차 테일러 급수로 근사하여 야코비안 행렬을 계산하고, 이를 기본 칼만 필터의 예측 단계와 업데이트 단계 공식에 적용한다.

이러한 접근법은 강력한 유연성을 제공하지만, 근본적인 한계를 지닌다. 국소 선형화는 추정 오차가 클수록 근사의 정확도가 떨어지며, 복잡한 야코비안 계산이 필요할 수 있다. 또한, 확률 분포의 전파 과정에서 비선형 변환을 거친 오차 분포가 더 이상 가우시안 분포를 유지하지 않을 수 있어, 필터의 최적성을 보장하지 못한다. 이러한 이유로 확장 칼만 필터는 '1차 근사' 필터로 분류된다.

확장 칼만 필터의 이러한 특성 때문에, 높은 비선형성을 다루거나 더 정확한 확률 분포 전파가 필요한 응용 분야에서는 무향 칼만 필터나 앙상블 칼만 필터와 같은 다른 비선형 필터 기법이 선호된다. 그러나 확장 칼만 필터는 구현이 상대적으로 간단하고 계산 부하가 적어, 내비게이션 시스템, 로봇 공학, 목표 추적 등 수많은 실시간 제어 시스템에서 여전히 널리 사용되는 실용적인 해법으로 자리 잡고 있다.

무향 칼만 필터는 비선형 시스템의 상태 추정 문제를 해결하기 위한 칼만 필터의 확장된 형태이다. 기존의 확장 칼만 필터가 비선형 함수를 선형화하여 근사하는 방식과 달리, 무향 칼만 필터는 확률 분포 자체를 근사하는 방식을 채택한다. 이는 무향 변환이라는 통계적 샘플링 기법을 사용하여, 시스템의 확률 분포를 정규분포로 가정하고 이를 대표하는 소수의 샘플 점(시그마 포인트)을 생성한다. 이 시그마 포인트들을 비선형 시스템 모델을 통해 직접 전파시킨 후, 그 결과를 바탕으로 상태와 오차 공분산을 재계산한다.

이 방식의 핵심 장점은 비선형 함수의 야코비안이나 헤시안 행렬을 계산할 필요가 없다는 점이다. 이로 인해 구현이 비교적 간단하며, 특히 강한 비선형성을 보이는 시스템에서 확장 칼만 필터보다 더 정확한 추정 성능을 보일 수 있다. 그러나 시그마 포인트의 수가 상태 변수의 차원에 비례하여 증가하기 때문에, 고차원 시스템에서는 계산 부하가 상당히 커질 수 있다는 단점도 존재한다.

무향 칼만 필터는 로봇 공학, 항법 시스템, 자율주행차의 위치 추정, 금융 공학 등 다양한 분야에서 활용된다. 예를 들어, GPS 신호와 관성 측정 장치 데이터를 융합하여 차량의 정확한 위치와 자세를 실시간으로 추정하는 데 효과적으로 적용될 수 있다. 이는 시스템의 비선형 동역학을 정확히 모델링해야 하는 환경에서 확장 칼만 필터의 한계를 보완하는 중요한 도구로 자리 잡았다.

칼만 필터는 제조 및 로봇 공학 분야에서 시스템의 정확한 상태를 추정하는 핵심 알고리즘으로 널리 활용된다. 이 분야에서는 산업용 로봇이나 정밀 가공 장비와 같이 빠르고 정밀한 제어가 요구되는 시스템이 많다. 이러한 시스템은 관절 각도 센서나 모터 엔코더 등에서 얻은 측정값에 노이즈가 포함되거나, 모든 상태 변수를 직접 측정하기 어려운 경우가 많다. 칼만 필터는 시스템의 동역학 모델과 불완전한 센서 데이터를 결합하여, 위치, 속도, 가속도와 같은 관심 상태를 실시간으로 최적 추정한다.

구체적인 적용 사례로는 로봇 매니퓰레이터의 끝단 위치 추정이 있다. 모터의 회전각을 측정하여 역기구학을 통해 끝단 위치를 계산할 수 있지만, 기구적 백래시나 탄성 변형 등으로 인한 오차가 발생한다. 칼만 필터는 모터의 각속도나 토크 센서 정보와 결합하여 이러한 모델 오차와 계측 오차를 보정함으로써, 실제 끝단의 더 정확한 위치와 속도를 추정해 낸다. 이는 조립, 용접, 핸들링과 같은 정밀 작업의 성능을 크게 향상시킨다.

또한, 자동화 창고의 AGV나 무인 지게차와 같은 이동 로봇의 항법에도 필수적이다. 이러한 로봇은 일반적으로 주행 거리계, 관성 측정 장치, 레이저 거리계 등 여러 센터를 융합하여 자신의 위치를 파악한다. 각 센서는 고유의 오차 특성을 가지며, 단일 센서만으로는 정확한 위치 추정이 불가능하다. 칼만 필터는 예측 단계에서 주행 거리계 데이터를 바탕으로 위치를 예측하고, 업데이트 단계에서 레이저 거리계 등으로 측정된 실제 환경 정보와 비교하여 위치 추정치를 지속적으로 보정하는 센서 퓨전의 핵심 역할을 수행한다. 이를 통해 로봇은 장애물을 회피하고 정확한 목표 지점에 도달할 수 있다.

칼만 필터는 자율주행차의 핵심 기술 중 하나로, 차량의 정확한 위치와 자세를 추정하는 데 필수적으로 사용된다. 자율주행 시스템은 GPS, 관성측정장치(IMU), 라이다, 카메라 등 다양한 센서로부터 데이터를 수집한다. 각 센서는 고유한 장점과 오차를 가지고 있어, 단일 센서만으로는 신뢰할 수 있는 상태 정보를 얻기 어렵다. 칼만 필터는 이러한 서로 다른 센서 데이터를 융합하고, 각 센서의 노이즈와 불확실성을 고려하여 차량의 위치, 속도, 가속도 등을 최적으로 추정한다.

구체적으로, 자율주행 시스템에서 칼만 필터는 예측 단계와 업데이트 단계를 반복한다. 예측 단계에서는 차량의 운동 모델과 이전 상태를 바탕으로 현재 차량의 예상 위치와 속도를 계산한다. 이후 업데이트 단계에서는 실제 GPS 좌표나 라이다의 거리 측정값과 같은 센서 데이터를 입력받아, 예측값과의 차이를 분석하고 칼만 이득을 통해 추정치를 보정한다. 이 과정을 통해 개별 센서의 단점(예: GPS의 신호 끊김, IMU의 오차 누적)을 상호 보완하며, 차량의 실시간 상태에 대한 정밀하고 안정적인 추정이 가능해진다.

운송 분야에서도 칼만 필터는 광범위하게 적용된다. 예를 들어, 항공기의 자동 조종 장치(Autopilot)는 비행 중의 복잡한 환경 요인을 처리하고 정확한 항로를 유지하기 위해 칼만 필터를 사용한다. 또한, 선박의 동역학적 위치결정 시스템(DP System)이나 철도 차량의 제어 시스템에서도 차체의 위치와 자세를 추정하여 안전하고 효율적인 운행을 보장한다. 이처럼 칼만 필터는 운송 수단의 자동화와 지능화를 실현하는 데 있어 근간이 되는 상태 추정 알고리즘으로 자리 잡고 있다.

항공우주 및 방위 분야는 칼만 필터가 가장 먼저 적용되고 핵심적인 역할을 하는 분야이다. 이 분야에서는 로켓, 미사일, 위성, 항공기 등 고속으로 움직이는 물체의 정밀한 항법과 제어가 필수적이며, 각종 관성항법장치(INS)와 GPS 같은 센서의 잡음이 포함된 데이터를 융합하여 정확한 위치, 속도, 자세를 실시간으로 추정해야 한다. 칼만 필터는 이러한 다중 센서 융합의 핵심 알고리즘으로 작동하여, 극한 환경에서도 안정적인 상태 추정을 가능하게 한다.

구체적으로, 아폴로 계획 당시 달 착륙선의 유도 컴퓨터에 칼만 필터가 채택된 것은 유명한 사례이다. 이는 우주선의 궤적을 추정하고 제어하는 데 결정적인 역할을 했다. 현대의 항공우주 시스템에서는 확장 칼만 필터(EKF)나 무향 칼만 필터(UKF) 같은 변형 알고리즘이 비선형적인 동역학 모델을 가진 우주 발사체나 재진입체의 자세 제어에 널리 사용된다.

방위 분야에서는 레이더와 적외선 추적(IRST) 시스템에서 표적의 위치와 속도를 추적하는 데 칼만 필터가 필수적이다. 특히 요격 미사일 시스템에서는 빠르게 기동하는 표적을 정확히 추적하고 예측하기 위해 실시간 데이터 처리에 칼만 필터 기반의 알고리즘이 사용된다. 이는 방공망과 미사일 방어 시스템의 효과성을 높이는 데 기여한다.

칼만 필터는 금융 시장과 경제 지표의 예측 분야에서도 중요한 도구로 활용된다. 금융 시장의 가격 변동은 다양한 노이즈와 불확실성에 영향을 받기 때문에, 이러한 잡음이 포함된 관측 데이터로부터 숨겨진 진짜 추세나 상태를 추정하는 데 칼만 필터가 적합하다. 특히 시계열 분석 모델과 결합되어 주가, 이자율, 환율 등의 미래 값을 예측하거나, 변동성을 추정하는 데 사용된다.

구체적으로 칼만 필터는 자산 가격의 잠재적인 상태(예: 실제 가치 또는 추세)를 수학적 모델로 예측하고, 새롭게 관측된 시장 가격 데이터를 이용해 그 예측을 지속적으로 보정하는 재귀 알고리즘으로 동작한다. 이 과정을 통해 단순한 이동평균보다 더 반응적이고 정확한 예측이 가능해진다. 변동성 모델링, 채권 수익률 곡선 추정, 포트폴리오 최적화 같은 복잡한 금융 문제 해결에 적용된다.

금융 분야에서는 선형 가정이 강한 기본 칼만 필터보다 비선형 관계를 더 잘 처리할 수 있는 확장 칼만 필터(EKF)나 무향 칼만 필터(UKF) 같은 변형 모델이 더 많이 연구 및 적용된다. 이는 금융 데이터의 복잡한 상호작용과 비선형적 특성을 반영하기 위함이다. 이러한 필터링 기법은 퀀트 투자와 계량 금융 분야에서 데이터 기반 의사결정의 정밀도를 높이는 핵심 기술로 자리 잡고 있다.