칼만 필터 (Kalman Filter)
쉽게 풀면
매일 아침 체중계로 몸무게를 잰다고 해봅시다. 체중계는 오차가 있어서 같은 몸으로 재도 매번 조금씩 다른 숫자가 나옵니다. 이때 "어제까지의 추세로 예측한 오늘 몸무게"와 "오늘 체중계가 보여준 숫자"를 적절한 비율로 섞으면, 어느 한쪽만 믿는 것보다 훨씬 정확한 값을 얻을 수 있습니다. 칼만 필터는 바로 이 과정을 수학적으로 정교하게 자동화한 것입니다. "예측값"과 "새 측정값"을 각각의 불확실성(오차 정도)에 따라 가중치를 다르게 주어 섞고, 그 결과를 다음 예측의 출발점으로 삼아 계속 반복합니다.
왜 중요한가
칼만 필터는 불확실하고 잡음이 섞인 측정값으로부터 실시간으로 최적의 상태 추정치를 계산할 수 있어, 항법·로봇공학·자율주행 같은 제어공학 분야는 물론 금융 시계열 분석, 신호처리 등 예측과 추정이 필요한 다양한 분야에서 핵심 도구로 쓰입니다. 계산 효율이 높아 실시간 시스템에 적합하다는 점도 널리 채택되는 이유입니다.
논문에서는 이렇게 쓰입니다
이 문장은 "GPS만 쓰면 신호가 흔들리고 IMU만 쓰면 오차가 누적되므로, 두 센서의 값을 칼만 필터로 결합해 더 안정적이고 정확한 위치 값을 얻었다"는 뜻입니다.
로봇공학 및 항공우주공학 분야에서 비선형 시스템의 상태 추정을 다룰 때 쓰이는 표현이다.
계량경제학, 금융시계열 분석에서 관측되지 않는 상태변수를 추정할 때 사용되는 예문이다.
조금 더 깊게 보면
칼만 필터는 예측(prediction) 단계와 갱신(update) 단계를 반복하는 구조를 가지며, 두 단계에서 각각의 불확실성을 공분산 행렬로 표현해 새로운 측정값에 얼마나 가중치를 둘지(칼만 이득)를 계산합니다. 시스템이 비선형일 때는 상태방정식을 국소적으로 선형화하는 확장 칼만 필터(EKF)나, 표본점을 이용해 비선형성을 근사하는 무향 칼만 필터(UKF)가 대안으로 쓰입니다. 노이즈 분포가 정규분포를 벗어나거나 다봉형(multimodal)인 경우에는 파티클 필터 같은 다른 추정 기법이 사용되기도 합니다.
주의할 점
기본형 칼만 필터는 시스템이 선형적이고 노이즈가 정규분포를 따른다는 가정 위에서 작동합니다. 실제로는 비선형 시스템이 많아 확장 칼만 필터(EKF)나 무향 칼만 필터(UKF) 같은 변형이 쓰이며, 단순히 "여러 센서를 섞으면 다 칼만 필터"라고 오해하면 안 됩니다. 여러 센서 정보를 결합한다는 더 넓은 개념은 센서 융합이며, 칼만 필터는 그 방법 중 하나입니다.