파티클필터 추적 (Particle Filter Tracking)
쉽게 풀면
파티클필터 추적은 목표물의 위치가 어디일지 여러 가능성을 '입자'라는 후보들로 흩뿌려 놓고, 새로운 관측이 들어올 때마다 실제와 가까운 입자에는 높은 점수를, 먼 입자에는 낮은 점수를 매겨 점점 정답에 가까운 입자들만 남기는 방식입니다. 마치 숨바꼭질에서 여러 곳을 동시에 추측해보고 힌트가 나올 때마다 가능성 낮은 곳을 지워나가는 것과 비슷합니다.
왜 중요한가
목표물의 움직임이 비선형적이거나 잡음이 가우시안 분포를 따르지 않는 실제 환경에서는 칼만필터 같은 선형 기법이 잘 맞지 않는데, 파티클필터는 이런 조건에서도 강건하게 상태를 추정할 수 있어 레이더 추적, 로봇 위치추정 등에서 중요하게 다뤄집니다. 확장 칼만필터가 비선형성을 국소적인 선형 근사로 처리하는 것과 달리 파티클필터는 근사 없이 임의의 비선형 모델과 다봉 분포를 직접 다룰 수 있어, 다중 표적이 교차하거나 가려짐이 발생하는 복잡한 추적 시나리오에서 강점을 보입니다.
논문에서는 이렇게 쓰입니다
비선형 표적 추적 문제에 파티클필터를 적용한 사례입니다.
파티클필터의 알려진 한계를 개선하려는 연구 예입니다.
조금 더 깊게 보면
파티클필터는 중요도 표본추출(importance sampling)을 통해 각 입자에 가중치를 부여하고, 가중치가 특정 입자에 쏠리는 문제를 막기 위해 재표본화 단계를 거칩니다. 입자 수가 많을수록 추정 정확도는 높아지지만 계산량도 함께 증가합니다. 칼만필터 계열이 상태 분포를 가우시안으로 근사하는 것과 달리 파티클필터는 임의의 분포 형태를 다수의 표본으로 표현할 수 있어 다봉(multi-modal) 분포를 가지는 추적 문제에도 대응할 수 있습니다. 재표본화 시점을 매 스텝마다 수행할지, 유효 표본 크기가 일정 기준 이하로 떨어질 때만 수행할지도 설계 선택지로 다뤄집니다.
주의할 점
입자 수가 부족하면 표본 고갈(degeneracy) 문제로 추정 성능이 급격히 나빠질 수 있으며, 고차원 상태공간에서는 필요한 입자 수가 급격히 늘어나는 경향이 있습니다. 제안분포(proposal distribution)를 시스템 모델과 다르게 설계할 수도 있는데, 관측값을 반영한 제안분포를 쓰면 적은 입자로도 정확도를 높일 수 있지만 가중치 계산식이 더 복잡해집니다.