앙상블 칼만 필터 (Ensemble Kalman Filter)

개요

앙상블 칼만 필터(Ensemble Kalman Filter, EnKF)는 비선형 시스템에서 상태 추정 문제를 해결하기 위해 개발된 확장된 칼만 필터(Extended Kalman Filter, EKF)의 변형이다. 이 필터는 비선형 시스템의 상태 추정에 있어서 보다 높은 정확도를 제공하기 위해 여러 개의 상태 변수 집합, 즉 앙상블을 사용하여 칼만 필터를 확장한 것이다. 이러한 접근법은 수학적으로 복잡한 모델에 대해 더욱 적합하며, 특히 모델의 비선형성과 모델 불확실성을 처리하는 데 있어 효과적이다.

앙상블의 개념

EnKF의 핵심은 다수의 상태 변수 집합(앙상블)을 유지하고, 각 앙상블 멤버에 대해 상태 예측과 업데이트를 수행하는 것이다. 이 앙상블은 상태 변수의 분포를 나타내며, 칼만 필터에서 사용되는 공분산 행렬을 명시적으로 계산하는 대신, 앙상블 멤버 간의 분산으로 추정한다.

• 앙상블 멤버: 각각의 앙상블 멤버는 시스템의 가능한 상태를 나타내며, 초기에는 랜덤하게 생성되거나 이전 정보에 따라 초기화된다.

• 앙상블 예측: 각 멤버는 모델에 따라 독립적으로 예측 단계에서 진화하며, 그 결과는 다양한 예측 결과의 분포를 형성한다.

• 앙상블 업데이트: 관측이 이루어지면 각 앙상블 멤버는 칼만 필터의 갱신 방식을 따르며, 이때 관측 오차 공분산 행렬과 상태 변수 간의 크로스 공분산을 이용해 갱신된다.

앙상블 칼만 필터의 수학적 설명

EnKF의 수학적 구조는 기본적으로 칼만 필터의 예측-갱신 단계와 유사하지만, 주요 차이점은 공분산 행렬의 계산에서 나타난다. 공분산 행렬은 앙상블 멤버들 간의 분산 및 상관관계로부터 추정된다.

1. 예측 단계 (Prediction Step):

$$\mathbf{x}_i^{f} = \mathcal{M}(\mathbf{x}_i^{a}) + \mathbf{w}_i$$

여기서 $ \mathbf{x}_i^{f} $는 예측된 상태, $ \mathbf{x}_i^{a} $는 이전의 분석된 상태, $ \mathcal{M} $은 시스템 모델, 그리고 $ \mathbf{w}_i $는 모델 오차를 나타낸다.

• 각 앙상블 멤버 $ i $에 대해 예측 단계가 수행된다.

• 예측 후 앙상블 평균 및 분산을 계산하여 전체 시스템의 상태와 불확실성을 추정한다.

1. 갱신 단계 (Update Step):

$$\mathbf{x}_i^{a} = \mathbf{x}_i^{f} + \mathbf{K}(\mathbf{y} - \mathbf{H}\mathbf{x}_i^{f})$$

여기서 $ \mathbf{y} $는 관측값, $ \mathbf{H} $는 관측 모델, $ \mathbf{K} $는 칼만 이득(Kalman Gain)이다.

• 칼만 이득 $ \mathbf{K} $는 다음과 같이 계산된다:

$$\mathbf{K} = \mathbf{P}^{f}\mathbf{H}^\top (\mathbf{H}\mathbf{P}^{f}\mathbf{H}^\top + \mathbf{R})^{-1}$$

​ 여기서 $ \mathbf{P}^{f} $는 예측된 공분산 행렬이고, $ \mathbf{R} $는 관측 오차 공분산이다.

• 갱신된 상태 $ \mathbf{x}_i^{a} $는 예측된 상태 $ \mathbf{x}_i^{f} $에 관측 오차와 시스템 불확실성을 반영하여 조정된 값이다.

앙상블 크기의 중요성

EnKF에서 앙상블의 크기는 필터의 성능과 계산 복잡성에 큰 영향을 미친다. 앙상블 크기가 충분히 크면 시스템의 상태 분포를 잘 표현할 수 있지만, 계산 비용이 증가한다. 반면에, 앙상블 크기가 작으면 필터가 시스템의 불확실성을 제대로 포착하지 못해 부정확한 상태 추정이 발생할 수 있다.

• 앙상블 크기 선택: 일반적으로 앙상블 크기는 모델의 차원과 관측 정보의 양에 따라 달라지며, 실험적으로 최적화된다.

• 앙상블 크기에 따른 분산 감소: 앙상블 크기가 증가할수록 상태 추정의 분산이 감소하지만, 이는 모델 오차나 앙상블 멤버 간 상관관계가 무시되는 경우에 한정된다.

앙상블 칼만 필터의 안정성

EnKF는 비선형 시스템에서 강력한 성능을 보이지만, 앙상블 크기에 의존하는 특성 때문에 불안정해질 수 있다. 특히, 앙상블 크기가 너무 작을 경우 샘플링 잡음(Sampling Noise)으로 인해 상태 추정이 불안정해질 수 있다. 이를 완화하기 위해 여러 가지 기법이 제안되었다.

• 인플레이션 기법 (Inflation Technique): 앙상블의 분산을 인위적으로 증가시켜 샘플링 잡음을 줄이는 방법이다.

• 로컬라이제이션 (Localization): 공간적으로 멀리 떨어진 관측치는 공분산 행렬에서의 영향력을 줄여 안정성을 향상시키는 방법이다.

앙상블 칼만 필터의 변형

EnKF는 다양한 연구에서 여러 가지 방식으로 변형되었다. 주요 변형들은 다음과 같다.

• Ensemble Square Root Filter (EnSRF): 공분산의 갱신을 위해 선형 대수 기법을 사용하여 필터의 효율성을 높인다.

• Ensemble Transform Kalman Filter (ETKF): 앙상블 멤버들 간의 선형 변환을 통해 업데이트 단계를 간소화한다.

• Ensemble Adjustment Kalman Filter (EAKF): 관측에 대한 조정을 더 강하게 반영하기 위해 앙상블 멤버의 분포를 수정한다.