# 앙상블 칼만 필터의 이해를 위한 사전 지식 (Prerequisite Knowledge for Understanding Ensemble Kalman Filter)

#### 칼만 필터 (Kalman Filter)

앙상블 칼만 필터를 이해하기 위해 먼저 칼만 필터(Kalman Filter)의 기본 개념을 알아야 한다. 칼만 필터는 선형 동적 시스템에서 상태를 추정하기 위한 알고리즘으로, 예측과 갱신 단계로 이루어진다. 이 알고리즘은 시스템의 현재 상태와 미래 상태를 모델링하는 확률적 프레임워크를 사용하여 상태 추정을 수행한다.

* **상태 공간 모델 (State Space Model):** 칼만 필터는 다음과 같은 선형 상태 공간 모델을 기반으로 한다:

$$
\mathbf{x}*{k} = \mathbf{A}\mathbf{x}*{k-1} + \mathbf{B}\mathbf{u}*{k} + \mathbf{w}*{k}
$$

$$
\mathbf{y}*{k} = \mathbf{H}\mathbf{x}*{k} + \mathbf{v}\_{k}
$$

여기서 $ \mathbf{x}*{k} $는 상태 벡터, $ \mathbf{u}*{k} $는 제어 입력, $ \mathbf{y}*{k} $는 관측 벡터, $ \mathbf{A} $, $ \mathbf{B} $, $ \mathbf{H} $는 시스템 행렬이며, $ \mathbf{w}*{k} $와 $ \mathbf{v}\_{k} $는 각각 시스템 노이즈와 관측 노이즈를 나타낸다.

* **예측 단계 (Prediction Step):** 상태 벡터와 공분산 행렬을 이용하여 다음 시간 스텝에서의 상태를 예측한다.

$$
\mathbf{\hat{x}}*{k|k-1} = \mathbf{A}\mathbf{\hat{x}}*{k-1|k-1} + \mathbf{B}\mathbf{u}\_{k}
$$

$$
\mathbf{P}*{k|k-1} = \mathbf{A}\mathbf{P}*{k-1|k-1}\mathbf{A}^{T} + \mathbf{Q}
$$

여기서 $ \mathbf{P} $는 상태 공분산 행렬이고, $ \mathbf{Q} $는 시스템 노이즈 공분산 행렬이다.

* **갱신 단계 (Update Step):** 예측된 상태를 실제 관측값을 바탕으로 갱신하여 더욱 정확한 상태를 추정한다.

$$
\mathbf{K}*{k} = \mathbf{P}*{k|k-1}\mathbf{H}^{T}(\mathbf{H}\mathbf{P}\_{k|k-1}\mathbf{H}^{T} + \mathbf{R})^{-1}
$$

$$
\mathbf{\hat{x}}*{k|k} = \mathbf{\hat{x}}*{k|k-1} + \mathbf{K}*{k}(\mathbf{y}*{k} - \mathbf{H}\mathbf{\hat{x}}\_{k|k-1})
$$

$$
\mathbf{P}*{k|k} = (\mathbf{I} - \mathbf{K}*{k}\mathbf{H})\mathbf{P}\_{k|k-1}
$$

여기서 $ \mathbf{K}\_{k} $는 칼만 이득(Kalman Gain), $ \mathbf{R} $은 관측 노이즈 공분산 행렬이다.

#### 확률적 필터링 (Stochastic Filtering)

확률적 필터링(Stochastic Filtering)은 동적 시스템의 상태를 추정하기 위해 확률 분포를 사용하는 방법론으로, 칼만 필터와 앙상블 칼만 필터의 이론적 기초를 제공한다. 이 접근법에서는 시스템 상태를 확률 변수로 모델링하며, 필터링 과정을 통해 상태의 사후 확률 분포를 갱신한다.

* **베이즈 필터링 (Bayesian Filtering):** 확률적 필터링의 일반적 틀로, 베이즈 정리를 이용해 시스템 상태의 사전 분포(prior distribution)를 관측 데이터에 의해 사후 분포(posterior distribution)로 갱신한다.

$$
p(\mathbf{x}*{k}|\mathbf{y}*{1:k}) = \frac{p(\mathbf{y}*{k}|\mathbf{x}*{k}) p(\mathbf{x}*{k}|\mathbf{y}*{1:k-1})}{p(\mathbf{y}*{k}|\mathbf{y}*{1:k-1})}
$$

여기서 $ p(\mathbf{x}*{k}|\mathbf{y}*{1:k}) $는 사후 분포, $ p(\mathbf{x}*{k}|\mathbf{y}*{1:k-1}) $는 사전 분포이다.

* **마르코프 과정 (Markov Process):** 상태의 시간적 진화는 마르코프 속성을 가진다고 가정하며, 즉 현재 상태는 이전 상태에만 의존한다.

$$
p(\mathbf{x}*{k}|\mathbf{x}*{1:k-1}) = p(\mathbf{x}*{k}|\mathbf{x}*{k-1})
$$

이러한 마르코프 속성은 필터링 과정에서 상태 예측을 단순화하는 역할을 한다.

#### 몬테카를로 방법 (Monte Carlo Methods)

앙상블 칼만 필터는 몬테카를로 방법(Monte Carlo Methods)과 밀접한 관련이 있다. 이 방법은 복잡한 확률 분포를 표본(sample)을 통해 근사하는 기법으로, 비선형 시스템의 상태 추정에 유용하다.

* **표본 추출 (Sampling):** 몬테카를로 방법의 핵심은 확률 분포에서 다수의 표본을 추출하여, 그 표본의 통계적 속성을 통해 분포를 근사하는 것이다. 이는 특히 고차원의 상태 공간에서 칼만 필터가 적용하기 어려운 비선형성 문제를 해결하는 데 도움이 된다.
* **표본 기반 근사 (Sample-Based Approximation):** 앙상블 칼만 필터에서 사용되는 앙상블은 이러한 표본 기반 근사에 해당한다. 즉, 시스템 상태를 나타내는 여러 개의 표본 집합(앙상블)을 유지하고, 이를 통해 상태 분포를 근사한다.

#### 비선형 시스템과 확률적 역학 (Nonlinear Systems and Stochastic Dynamics)

앙상블 칼만 필터는 비선형 시스템의 상태 추정에 사용되므로, 비선형 시스템의 특성을 이해하는 것이 중요하다. 비선형 시스템은 상태와 관측이 선형 관계가 아니기 때문에, 상태 추정이 더 복잡해진다.

* **비선형성 (Nonlinearity):** 비선형 시스템은 선형 시스템과 달리, 상태 변수와 관측 변수 간의 관계가 선형적이지 않으며, 이는 칼만 필터와 같은 전통적 방법론이 적용되기 어렵게 만든다. 비선형성은 시스템의 동적 특성뿐만 아니라, 관측 과정에서도 나타날 수 있다.
* **확률적 역학 (Stochastic Dynamics):** 비선형 시스템은 종종 확률적 특성을 가지며, 이러한 시스템에서 상태 추정은 단순한 예측보다 더 복잡한 문제로 발전한다. 시스템의 역학이 비선형일 경우, 칼만 필터의 기본 가정이 충족되지 않으므로, 이를 처리하기 위한 확률적 방법이 필요하다.

#### 공분산 행렬의 계산과 불확실성 (Covariance Matrix Calculation and Uncertainty)

앙상블 칼만 필터는 공분산 행렬(Covariance Matrix)의 추정이 중요한 역할을 한다. 공분산 행렬은 상태 추정의 불확실성을 나타내며, 필터의 성능을 결정짓는 중요한 요소이다.

* **공분산 행렬의 역할:** 공분산 행렬은 상태 변수들 간의 상호 상관관계를 나타내며, 이는 칼만 필터의 예측 및 갱신 단계에서 중요한 역할을 한다. 예측 단계에서는 시스템 모델의 불확실성을, 갱신 단계에서는 관측의 불확실성을 반영한다.
* **공분산의 수치적 불안정성:** 고차원의 상태 공간에서 공분산 행렬의 수치적 불안정성은 필터의 성능에 큰 영향을 미칠 수 있다. 작은 수치적 오류가 상태 추정의 신뢰성을 크게 감소시킬 수 있으므로, 공분산 행렬의 안정적 계산은 필수적이다.

***

관련 자료:

1. Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1), 35-45.
2. Evensen, G. (2009). Data Assimilation: The Ensemble Kalman Filter. Springer.
3. Doucet, A., de Freitas, N., & Gordon, N. (Eds.). (2001). Sequential Monte Carlo Methods in Practice. Springer Science & Business Media.