# 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.

2. **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.