# 입자 필터에 대한 직관적 이해 (Intuitive Understanding of Particle Filter)

#### 입자 필터의 기본 아이디어

입자 필터의 기본 개념은 매우 직관적이다. 이 기법은 복잡한 확률 분포를 다수의 입자(파티클, particles)로 근사하는 데에서 출발한다. 이때 각 파티클은 상태 공간에서 하나의 가능한 상태를 나타내며, 그 상태가 얼마나 가능성이 있는지를 나타내는 가중치(weight)를 가진다. 입자 필터는 이러한 입자들을 통해 전체 상태 분포를 시뮬레이션하며, 시간에 따라 시스템이 어떻게 변화하는지를 추적한다.

이 과정을 단순화해서 이해하자면, 상태 공간을 탐색하는 작은 탐색자(파티클)들이 있다고 생각할 수 있다. 이 탐색자들은 주어진 시스템이 시간이 지남에 따라 어떻게 변화할지를 관찰하고 추정하는 역할을 한다. 이들은 매 순간 시스템이 어떻게 변화했는지를 추적하고, 관측된 데이터를 통해 그 예측을 수정해 나간다.

#### 입자 필터의 직관적 설명: 베이즈 관점

입자 필터는 본질적으로 베이즈 추정 방법이다. 이를 이해하기 위해 베이즈 관점에서 접근할 필요가 있다. 입자 필터는 상태 $ x $에 대한 사전 확률 분포(prior distribution)를 파티클 집합으로 표현하며, 새로운 데이터 $ z $가 들어올 때마다 이를 업데이트(update)한다. 이 과정은 다음과 같이 이루어진다.

1. **사전 확률 분포 (Prior Distribution)**: 초기 상태에 대한 우리의 불확실성은 파티클들의 집합으로 표현된다. 각 파티클은 특정 상태에 대한 가설(hypothesis)을 나타낸다고 볼 수 있다.
2. **예측 (Prediction)**: 시간이 지나면서 시스템이 어떻게 변할지에 대한 예측을 위해 파티클들은 각각의 상태 전이 모델에 따라 새로운 위치로 이동한다. 이는 우리가 미래에 대해 갖고 있는 불확실성을 모델링하는 과정이다.
3. **갱신 (Update)**: 새로운 관측이 주어지면, 이 관측 데이터를 바탕으로 각 파티클의 가중치가 조정된다. 즉, 관측된 데이터와 더 잘 맞는 파티클이 더 큰 가중치를 갖게 되며, 이는 해당 상태가 더 가능성 있다는 것을 의미한다.
4. **재샘플링 (Resampling)**: 마지막으로, 가중치가 높은 파티클들을 중심으로 새로운 파티클 집합을 생성한다. 이는 우리가 확률적으로 더 가능성 있는 상태를 유지하고, 덜 가능성 있는 상태는 제거하는 과정이다.

#### 동적 시스템에서의 입자 필터의 역할

입자 필터는 동적 시스템에서 상태를 추정하는 문제를 해결하는 데 강력한 도구로 작동한다. 동적 시스템이란 시간이 지남에 따라 상태가 변화하는 시스템을 의미하며, 이러한 시스템에서는 시간이 지남에 따라 상태를 지속적으로 추적하고 갱신하는 것이 중요하다.

입자 필터의 핵심은 이와 같은 시스템에서 "상태"의 잠재적 가능성을 표현하는 다양한 가설들을 동시에 관리하고, 이를 바탕으로 추정을 개선하는 것이다. 시스템이 비선형적이거나 노이즈가 크다면, 이러한 파티클 기반 접근법은 매우 유용하다.

#### 입자 필터의 직관적 예시

입자 필터를 이해하는 데 도움이 되는 간단한 예시는 로봇이 방 안에서 자신의 위치를 추정하는 상황이다. 로봇은 처음에 방 안의 모든 위치에 대해 동일한 가능성을 가지는 파티클 집합을 생성한다. 이때 각 파티클은 방 안의 특정 위치를 나타낸다. 로봇이 이동하면서, 각 파티클은 로봇이 어떻게 이동했는지에 대한 추정에 따라 새로운 위치로 이동한다.

로봇이 주변의 벽을 관측하면, 각 파티클은 현재 자신의 위치가 실제로 어디에 있는지를 평가받는다. 예를 들어, 벽에서 가까운 파티클은 높은 가중치를 얻고, 벽에서 멀리 있는 파티클은 낮은 가중치를 얻는다. 그 후 재샘플링을 통해 높은 가중치를 가진 파티클들은 더 많은 자원을 할당받아 새로운 파티클 집합을 형성하고, 가중치가 낮은 파티클들은 제거된다.

이 과정이 반복됨에 따라, 파티클 집합은 로봇의 실제 위치에 점점 더 가까워지며, 결과적으로 로봇은 자신의 위치를 매우 정확하게 추정할 수 있게 된다.