# 입자 필터가 왜 필요한가?

#### 상태 추정 문제의 복잡성

상태 추정(state estimation)은 다양한 물리적 시스템에서 중요한 문제로, 특히 시스템의 내부 상태를 직접적으로 관찰할 수 없을 때 그 중요성이 부각된다. 이 과정은 시스템 모델의 상태 전이(State Transition)와 관측 모델(Observation Model)에 기반하여 이루어진다. 이러한 문제는 일반적으로 다음과 같은 두 가지 경우에 직면하게 된다.

1. **비선형 시스템 (Nonlinear Systems)**: 대부분의 실제 시스템은 비선형적이다. 전통적인 Kalman 필터는 선형 가우시안 모델을 전제로 하여 동작하기 때문에 비선형 시스템에 직접 적용하기 어렵다.
2. **비가우시안 잡음 (Non-Gaussian Noise)**: 시스템 잡음이나 관측 잡음이 비가우시안성을 띠는 경우, Kalman 필터와 같은 가우시안 가정에 기반한 필터링 기법들은 그 한계가 명확하다. 비가우시안 분포에서는 상태 분포를 정확하게 표현하기 어려워진다.

이러한 이유로 인해, 보다 일반적인 상태 추정 기법이 필요하게 되었다.

#### 기존 필터링 기법의 한계

입자 필터가 등장하게 된 배경에는 기존 필터링 기법들의 한계가 자리하고 있다. 대표적인 기법들로는 Kalman 필터와 확장 칼만 필터(Extended Kalman Filter, EKF)가 있다.

1. **Kalman 필터의 한계**: Kalman 필터는 선형 시스템에서 최적의 상태 추정을 제공하지만, 비선형 시스템에서는 적용할 수 없다. 또한, 잡음이 가우시안 분포를 따르지 않는 경우, Kalman 필터의 추정치는 신뢰할 수 없다.
2. **확장 칼만 필터 (EKF)의 한계**: EKF는 비선형 시스템에서 Kalman 필터를 확장한 방법으로, 비선형성을 일차 테일러 전개(First-order Taylor Expansion)로 선형화하여 문제를 해결한다. 그러나 이 방법은 비선형성이 강하거나 잡음이 비가우시안인 경우, 필터링 성능이 크게 저하된다. 또한, EKF는 선형화 과정에서 발생하는 근사화 오류에 민감하다.
3. **앙상블 칼만 필터 (Ensemble Kalman Filter, EnKF)의 한계**: EnKF는 비선형 시스템에서 다수의 시뮬레이션을 통해 상태를 추정하는 기법으로, 일부 비선형성 문제를 해결하지만, 여전히 가우시안 가정에 의존하는 경향이 있다. 또한, 샘플 수가 적을 경우 신뢰성이 떨어질 수 있다.

#### 비선형 및 비가우시안 문제 해결의 필요성

입자 필터의 등장은 비선형성과 비가우시안성을 동시에 처리할 수 있는 필터링 방법에 대한 요구에서 비롯되었다. 입자 필터는 다음과 같은 이유로 기존 기법의 한계를 극복할 수 있다.

1. **비선형성 처리**: 입자 필터는 상태 전이 모델과 관측 모델이 비선형적일 때도 적용할 수 있다. 이는 비선형 시스템에서 필터링 성능을 크게 향상시킨다.
2. **비가우시안 분포 처리**: 입자 필터는 상태와 관측의 확률 분포에 대한 가우시안 가정을 하지 않는다. 파티클은 상태 공간에서 임의의 분포를 표현할 수 있어, 비가우시안 잡음이 존재하는 상황에서도 효과적으로 동작한다.
3. **다양한 형태의 불확실성 처리**: 입자 필터는 다양한 형태의 불확실성(Uncertainty)을 표현할 수 있으며, 파티클 수를 조정함으로써 상태 추정의 정밀도를 유연하게 조절할 수 있다.

#### 높은 차원의 상태 공간에서의 추정 문제

높은 차원의 상태 공간에서는 추정의 복잡성이 기하급수적으로 증가한다. 특히, 비선형 시스템의 경우 높은 차원에서의 상태 추정은 더욱 어렵다. 입자 필터는 이러한 고차원 문제를 다룰 수 있는 몇 안 되는 방법 중 하나이다.

1. **효율적인 샘플링**: 입자 필터는 샘플링 기반 방법론으로, 높은 차원의 상태 공간에서도 비교적 효율적으로 동작한다. 파티클을 통해 상태 공간을 탐색하며, 필요한 경우 재샘플링(Resampling)을 통해 샘플 수를 유지함으로써 계산 비용을 줄일 수 있다.
2. **다중 모드 상태 추정**: 입자 필터는 다중 모드(Multi-modal) 상태 분포를 표현할 수 있어, 복잡한 시스템에서 발생하는 다양한 상태 모드들을 추적할 수 있다. 이는 고차원 상태 공간에서 특히 유용하다.

#### 실시간 추정의 필요성

실시간(real-time)으로 상태를 추정하는 것은 많은 응용 분야에서 중요한 요구 사항이다. 비선형성, 비가우시안성, 그리고 고차원성을 동시에 처리하면서 실시간으로 상태 추정을 수행하기 위해서는 입자 필터와 같은 기법이 필수적이다.

1. **실시간 성능**: 입자 필터는 각 시간 단계마다 파티클 집합을 갱신하여 실시간으로 상태를 추정할 수 있다. 이 과정은 병렬화가 가능하여, 계산 자원을 효율적으로 활용할 수 있다.
2. **동적 시스템 대응**: 입자 필터는 시간에 따라 변하는 동적 시스템에 대해 적응적으로 상태를 추정할 수 있어, 실시간 시스템에서 매우 유용하다.