칼만필터 상태추정 (Kalman Filter State Estimation)
쉽게 풀면
센서로 측정한 값에는 항상 어느 정도의 잡음과 오차가 섞여 있습니다. 그렇다고 센서 값을 그대로 믿기도 어렵고, 이론적인 모델 예측만 믿기도 어렵습니다. 칼만필터는 이 두 가지 정보, 즉 "모델이 예측한 값"과 "센서가 측정한 값"을 각각의 신뢰도에 따라 적절히 섞어서 더 정확한 추정값을 만들어내는 방법입니다. 마치 두 사람이 각자 어림짐작한 값을 서로의 확신도에 따라 가중 평균 내어 더 나은 답을 찾는 것과 비슷합니다. 이 과정을 매 순간 반복하면서 실시간으로 상태를 추정합니다.
왜 중요한가
실제 기계시스템에서는 위치, 속도, 자세 같은 상태 변수를 직접 완벽하게 측정하기 어렵고 센서 잡음이 항상 존재합니다. 칼만필터는 이런 잡음 속에서도 통계적으로 최적에 가까운 상태 추정치를 실시간으로 제공할 수 있어, 로봇의 위치 추정, 자율주행차의 센서 융합, 항공기 자세 추정 등 다양한 제어·추정 문제의 기반 기술로 널리 쓰입니다.
논문에서는 이렇게 쓰입니다
서로 다른 두 종류의 센서 데이터를 결합해 로봇의 위치와 방향을 더 정확하게 추정했다는 뜻입니다.
선형화 오차가 있는 확장 칼만필터 대신 다른 방식의 칼만필터를 사용해 정확도를 비교했다는 의미입니다.
조금 더 깊게 보면
표준 칼만필터는 선형 시스템과 가우시안 잡음을 가정하며, 예측 단계와 갱신 단계를 반복하는 구조로 동작합니다. 비선형 시스템에는 모델을 선형화하는 확장 칼만필터(EKF)나, 표본점을 이용해 비선형성을 근사하는 무향 칼만필터(UKF) 등의 변형이 활용됩니다.
주의할 점
칼만필터의 성능은 시스템 모델과 잡음의 통계적 특성(공분산)을 얼마나 정확히 설정했는지에 크게 의존하며, 이 값들이 실제와 크게 다르면 추정 결과의 신뢰도가 떨어질 수 있습니다.