Unscented Kalman Filter (UKF)의 원리와 구현
Unscented Kalman Filter 소개
Unscented Kalman Filter(UKF)는 비선형 시스템에서의 상태 추정을 목적으로 하는 확장 칼만 필터(EKF)의 대안으로 제안된 필터링 방법이다. UKF는 비선형 시스템에서의 상태와 관측치의 비선형성으로 인한 오차를 보다 정확하게 처리하기 위해 sigma 포인트 접근법을 활용한다. 이 방법은 비선형 함수의 선형화 과정에서 발생하는 근사 오차를 줄이기 위한 목적으로 설계되었으며, 특히 고차 비선형성에 대해 탁월한 성능을 발휘한다.
Sigma 포인트 변환과 예측 단계
UKF의 핵심은 Unscented 변환(U-transform)이라 불리는 sigma 포인트 접근법이다. 이 접근법은 확률 분포를 선형화하는 과정에서 비선형성을 보다 정확하게 반영하기 위해 설계되었다. Unscented 변환의 주요 개념은 다음과 같다:
Sigma 포인트 선택: 상태 변수의 평균과 공분산을 바탕으로 일련의 sigma 포인트를 생성한다. 일반적으로 상태 공간의 차원 수에 비례하는 2n + 1개의 포인트가 사용되며, 여기서 n은 상태 벡터의 차원이다. 이 포인트들은 상태의 확률 분포를 대표한다.
예측 변환: 각 sigma 포인트를 시스템의 비선형 상태 전이 함수에 적용하여 미래의 상태 분포를 예측한다. 이 과정은 시스템 모델의 비선형성에 의해 발생하는 변화를 보다 정확하게 반영한다.
예측 분포 계산: 비선형 변환된 sigma 포인트들로부터 새로운 상태의 평균과 공분산을 계산한다. 이 단계에서는 선형화로 인한 근사 오차를 줄이기 위해 sigma 포인트의 가중치가 고려된다.
관측치 업데이트 단계
관측치 업데이트 단계는 예측된 상태 분포를 실제 관측치와 결합하여 상태 추정을 개선하는 과정이다. 이 단계에서도 Unscented 변환이 중요한 역할을 한다:
예측 관측치 계산: 예측된 sigma 포인트들을 비선형 관측 모델에 적용하여 관측치 공간에서의 sigma 포인트들을 계산한다. 이 과정을 통해 예상되는 관측치의 평균과 공분산을 계산할 수 있다.
상태-관측치 공분산: 상태와 관측치 간의 공분산을 계산하여, 관측치에 의해 상태 추정이 어떻게 변경될지를 결정한다.
칼만 이득 계산: 상태와 관측치의 공분산을 활용하여 칼만 이득을 계산한다. 칼만 이득은 예측된 상태를 관측치로 보정하는 비율을 결정한다.
상태 및 공분산 업데이트: 최종적으로, 관측치로부터 얻은 정보를 바탕으로 예측된 상태와 공분산을 업데이트한다. 이 업데이트는 시스템의 비선형성을 충분히 고려한 상태 추정을 제공한다.
UKF의 수렴성과 안정성
UKF는 비선형 시스템에 대한 보다 정확한 상태 추정을 제공하는 강력한 방법이지만, 모든 상황에서 완벽하게 작동하는 것은 아니다. 특히 초기 상태와 공분산의 설정, sigma 포인트의 선택, 그리고 비선형 시스템의 특성에 따라 UKF의 성능이 크게 달라질 수 있다. 또한, 시스템 노이즈와 관측 노이즈의 공분산이 정확히 알려지지 않은 경우, 필터의 안정성에 영향을 미칠 수 있다.
UKF의 수렴성을 보장하기 위해서는 sigma 포인트의 적절한 선택과 가중치 설정이 중요하다. 일반적으로 제안된 표준 가중치가 사용되지만, 특정 응용에서는 실험적 조정이 필요할 수 있다.
관련 자료:
Julier, S. J., & Uhlmann, J. K. (1997). A new extension of the Kalman filter to nonlinear systems. Proceedings of AeroSense: The 11th International Symposium on Aerospace/Defense Sensing, Simulation and Controls.
Wan, E. A., & Van Der Merwe, R. (2000). The unscented Kalman filter for nonlinear estimation. Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications, and Control Symposium.
Simon, D. (2006). Optimal State Estimation: Kalman, H Infinity, and Nonlinear Approaches. Wiley-Interscience.
Last updated