# 확장 칼만 필터의 필요성

#### 칼만 필터(Kalman Filter)의 비선형 시스템에서의 한계

칼만 필터(Kalman Filter)는 선형 시스템의 상태 추정에서 매우 강력한 도구로 널리 사용되고 있다. 그러나, 실제 세계의 대부분의 시스템은 비선형성을 내포하고 있다. 전통적인 칼만 필터는 시스템과 측정 모델이 선형이라는 가정을 전제로 하기 때문에 비선형 시스템에서는 직접 적용이 어렵다. 이는 칼만 필터가 선형 시스템에서 정확한 예측과 추정을 제공하는 반면, 비선형 시스템에서는 이러한 능력이 심각하게 제한된다는 것을 의미한다.

비선형 시스템에서는 상태 변환이나 측정 과정이 비선형 함수로 표현되며, 이로 인해 시스템의 동적 모델이 선형화되지 않는 경우에는 칼만 필터의 기본 가정이 충족되지 않는다. 이 때문에, 칼만 필터를 그대로 적용할 경우, 추정 오차가 발생하고 필터의 성능이 크게 저하된다. 따라서, 비선형 시스템에서의 상태 추정을 위해서는 전통적인 칼만 필터를 수정하거나 확장할 필요가 있다.

#### 비선형 시스템의 선형화

확장 칼만 필터(Extended Kalman Filter, EKF)는 비선형 시스템에 칼만 필터를 적용하기 위해 고안된 방법으로, 비선형 시스템을 선형화하는 접근 방식을 채택한다. 비선형 함수의 선형화는 주로 테일러 급수 전개를 통해 이루어진다. EKF는 시스템의 상태 추정 시각에서 비선형 함수의 일차 미분(즉, 야코비안 행렬)을 이용하여 선형 근사 모델을 생성한다.

비선형 시스템의 상태 함수와 측정 함수가 연속적이고 미분 가능할 때, 그 함수 주변의 작은 영역에서 일차 근사를 통해 시스템을 선형화할 수 있다. 이렇게 선형화된 시스템에 대해서는 전통적인 칼만 필터를 적용할 수 있다. 이 과정에서, EKF는 다음과 같은 두 가지 주요 단계를 거친다.

1. 예측 단계: 시스템의 상태를 선형화된 상태 전이 방정식을 사용하여 예측한다.
2. 갱신 단계: 선형화된 측정 방정식을 사용하여 예측된 상태를 갱신한다.

이러한 선형화 과정은 시스템의 비선형성이 클수록 오차를 야기할 수 있지만, 실용적인 많은 경우에 있어서는 충분히 좋은 성능을 제공할 수 있다.

#### 야코비안 행렬의 계산

확장 칼만 필터의 핵심 요소 중 하나는 시스템과 측정 모델의 야코비안 행렬을 계산하는 것이다. 야코비안 행렬은 비선형 함수의 변화를 선형적으로 근사하기 위한 도구로 사용되며, 이를 통해 비선형 시스템을 선형화할 수 있다.

특히, 상태 전이 모델과 측정 모델의 비선형성을 고려하여, 해당 지점에서의 일차 미분을 통해 선형 근사를 만들어내는 것이 중요한데, 이는 EKF의 성능에 직접적인 영향을 미친다. 야코비안 행렬이 정확하게 계산되지 않거나, 근사가 불충분할 경우, 추정의 정확도는 떨어질 수 있다. 하지만 대부분의 경우, 이 선형 근사는 실질적인 시스템의 동작을 반영하기에 충분한 성능을 제공한다.

야코비안 행렬의 계산은 수치적으로 매우 민감할 수 있으며, 비선형성의 정도와 시스템의 복잡성에 따라 계산 비용이 증가할 수 있다. 그러나, 이러한 계산이 필요함에도 불구하고 비선형 시스템의 상태 추정에서 EKF는 여전히 널리 사용되는 방법으로 자리잡고 있다.

#### 확장 칼만 필터의 수렴성

확장 칼만 필터의 또 다른 중요한 측면은 수렴성이다. EKF는 비선형 시스템을 다루기 위해 선형화 과정을 도입하지만, 이로 인해 수렴성 문제를 겪을 수 있다. 특히, 초기 상태 추정이 부정확하거나 비선형성이 매우 큰 시스템의 경우, 필터가 수렴하지 않거나 발산할 가능성이 있다.

EKF의 수렴성을 보장하기 위해서는 초기 조건에 대한 신중한 선택과 함께 필터의 튜닝이 필요하다. 또한, 상태 변환 함수와 측정 함수의 비선형성이 너무 클 경우, 더 고도화된 필터링 기법(예: 비선형 필터, 언센트 칼만 필터 등)을 고려해야 할 수 있다.