# 파티클 필터 (Particle Filter) 소개

***

#### 개요

파티클 필터(Particle Filter)는 복잡한 시스템에서 상태를 추정하기 위한 알고리즘이다. 이 알고리즘은 로봇 공학, 신호 처리, 컴퓨터 비전 등에서 널리 사용되며, 특히 비선형적이고 불확실성이 많은 시스템에서 매우 유용하다. 파티클 필터는 시스템의 상태를 추정하기 위해 다수의 "파티클(particles)"을 사용하여, 각 파티클이 시스템 상태의 가능한 시나리오를 나타내도록 한다. 이를 통해 전체 상태에 대한 확률적 분포를 근사화할 수 있다.

#### 파티클 필터의 핵심 아이디어

파티클 필터의 핵심은 복잡하고 예측하기 어려운 시스템에서 상태를 추정하는 데 있다. 예를 들어, 로봇이 복잡한 환경에서 위치를 추정해야 한다고 가정할 때, 로봇은 주변 환경의 관측 데이터를 기반으로 자신의 위치를 추정해야 한다. 이때 파티클 필터는 다양한 위치 가능성을 나타내는 여러 개의 파티클을 생성하고, 각 파티클이 로봇의 잠재적인 위치를 표현하도록 한다.

파티클 필터는 시간이 지남에 따라 파티클을 업데이트하여 로봇의 위치 추정치를 개선한다. 이 과정은 매 시간 새로운 관측이 들어올 때마다 반복되며, 관측이 로봇의 위치에 대해 제공하는 정보를 반영하여 파티클의 위치와 가중치를 조정한다.

#### 파티클의 생성과 업데이트

파티클 필터에서 파티클들은 처음에는 가능한 상태 공간 전체에 걸쳐 무작위로 생성된다. 이 초기화 단계에서 파티클들은 로봇의 위치에 대한 초기 가정을 반영한다. 예를 들어, 로봇이 방의 어느 위치에 있을 수 있는지에 대한 모든 가능성을 고려하여 파티클들이 배치된다.

시간이 지남에 따라 파티클들은 시스템 모델과 관측 데이터를 기반으로 이동하거나 업데이트된다. 로봇이 이동하면 파티클들도 해당 움직임을 모사하여 이동한다. 동시에, 로봇이 주변 환경에서 관측한 데이터는 각 파티클이 실제 상태를 얼마나 잘 나타내는지를 평가하는 데 사용된다.

#### 가중치와 재샘플링

각 파티클은 해당 파티클이 현재 상태를 얼마나 잘 설명하는지를 나타내는 가중치를 갖는다. 예를 들어, 로봇의 관측 데이터와 잘 맞는 파티클은 더 높은 가중치를 부여받는다. 이 가중치는 시간이 지남에 따라 계속 업데이트되며, 파티클 필터의 중요한 특징 중 하나는 이러한 가중치를 바탕으로 파티클 집합을 재구성하는 "재샘플링(resampling)" 과정이다.

재샘플링은 가중치가 높은 파티클을 여러 번 선택하고, 가중치가 낮은 파티클은 제거하는 방식으로 이루어진다. 이를 통해 파티클 필터는 시간이 지남에 따라 상태에 대한 더 나은 추정을 할 수 있게 된다. 재샘플링은 또한 파티클 필터가 일부 파티클에 의존하게 되는 "희석" 문제를 방지하는 데 도움이 된다.

#### 파티클 필터의 한계와 대안

파티클 필터는 비선형성과 비가우시안성을 다룰 수 있는 유연성을 제공하지만, 한계도 존재한다. 가장 큰 문제 중 하나는 고차원 상태 공간에서 파티클의 수가 급격히 증가한다는 점이다. 상태 공간의 차원이 증가할수록 파티클 필터가 신뢰할 수 있는 상태 추정을 하기 위해 필요한 파티클의 수가 기하급수적으로 늘어나며, 이는 계산 비용을 크게 증가시킨다.

이러한 문제를 해결하기 위해 다양한 확장 기법이 개발되었다. 예를 들어, 보조 파티클 필터(Auxiliary Particle Filter)는 중요도가 높은 파티클을 선택하는 방법을 개선하여 더 효율적인 상태 추정을 가능하게 한다.

***

관련 자료:

1. Doucet, A., De Freitas, N., & Gordon, N. J. (2001). *Sequential Monte Carlo Methods in Practice*. Springer.
2. Arulampalam, M. S., Maskell, S., Gordon, N., & Clapp, T. (2002). A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking. *IEEE Transactions on signal processing*, 50(2), 174-188.
3. Ristic, B., Arulampalam, S., & Gordon, N. (2004). *Beyond the Kalman Filter: Particle Filters for Tracking Applications*. Artech House.