확장 칼만 필터의 직관적 이해
확장 칼만 필터의 핵심 개념: 비선형성의 선형 근사화
확장 칼만 필터(Extended Kalman Filter, EKF)의 직관적인 이해는 비선형성을 다루는 방식에서 시작된다. EKF는 기본적으로 비선형 시스템을 선형 시스템처럼 다루기 위해 비선형 함수를 선형 근사하는 방법을 사용한다. 이 과정은 자코비안(Jacobian) 행렬을 통해 이루어지며, 복잡한 비선형 함수를 선형적으로 변환하여 칼만 필터의 틀 안에서 해결할 수 있게 한다.
여기서 핵심은 작은 변화에 대해서는 비선형 함수도 선형 함수처럼 행동할 수 있다는 것이다. 이는 미적분학에서 함수의 테일러 전개(Taylor expansion)의 첫 번째 항을 사용하는 것과 유사하다. 직관적으로, 우리는 비선형 곡선을 그 지역에서 직선으로 근사하는 것으로 생각할 수 있다. 이 직선 근사는 곡선이 크게 변하지 않는 작은 영역에서만 정확하지만, 그 지역에서는 유용한 정보를 제공한다.
비선형 함수의 선형 근사: 예제와 직관적 설명
비선형 시스템에서 상태 전이 함수 $ f(x) $와 관측 함수 $ h(x) $는 선형이 아니기 때문에 직접적으로 칼만 필터를 적용할 수 없다. 그러나 함수가 매우 작은 변화(예를 들어, 시간의 작은 변화)에서 선형적으로 보일 수 있다는 가정 하에, 우리는 이러한 비선형 함수들을 선형 근사할 수 있다.
선형 근사의 예
예를 들어, $ f(x) = \sin(x) $와 같은 함수가 있다고 가정하자. 이 함수는 비선형이지만, 특정 지점 $ x_0 $ 근처에서는 $ f(x) $를 다음과 같이 선형 근사할 수 있다.
이 근사는 $ x_0 $ 근처에서는 비교적 정확하지만, $ x $가 $ x_0 $로부터 멀어지면 근사 오차가 커진다. 이 근사 방법이 바로 EKF에서 사용하는 방식이다. 비선형성을 이와 같은 방식으로 처리함으로써, 우리는 비선형 시스템을 선형 시스템으로 다룰 수 있게 된다.
자코비안 행렬을 통한 선형화: 시각적 접근
EKF에서 자코비안 행렬을 사용하여 선형화하는 과정은 기하학적으로 다음과 같이 이해할 수 있다. 시스템의 상태 공간에서 비선형 곡면을 직선 평면으로 근사하는 과정으로 볼 수 있다. 자코비안 행렬은 이 평면의 기울기를 정의하는 도구로, 주어진 상태에서의 변화가 시스템에 미치는 영향을 일차적으로 파악하게 해준다.
시각적으로, 자코비안 행렬을 사용한 선형화는 상태 공간에서 특정 점을 중심으로 작은 영역을 확대하여 직선화하는 것과 같다. 이 과정을 통해 우리는 비선형 시스템을 선형화된 시스템으로 전환하고, 기존의 칼만 필터 알고리즘을 그대로 적용할 수 있다.
칼만 이득과 업데이트 과정의 직관적 이해
EKF의 칼만 이득(Kalman gain) 계산과 상태 업데이트 과정 역시 직관적으로 설명할 수 있다. 칼만 이득은 예측된 상태와 측정된 값을 결합하여 최적의 상태 추정치를 도출하기 위한 가중치를 제공한다. 여기서, 칼만 이득은 예측 오차 공분산과 측정 오차 공분산 사이의 비율을 고려하여 결정된다.
직관적으로, 예측 오차가 크고 측정 오차가 작다면, 측정값에 더 많은 가중치를 두게 되어 칼만 이득이 커진다. 반대로, 예측 오차가 작고 측정 오차가 크다면, 예측된 값에 더 많은 신뢰를 두게 되어 칼만 이득이 작아진다. 이 과정은 마치 두 가지 정보의 신뢰도를 비교하여 최적의 결정을 내리는 것과 같다.
Last updated