파티클필터 (Particle Filter)
쉽게 풀면
정답이 있을 만한 위치 후보들을 여러 개 뿌려 놓고, 관측값과 잘 맞는 후보는 살리고 안 맞는 후보는 없애가며 정답에 가까운 후보들만 남기는 방법입니다.
왜 중요한가
확률 분포를 가중 샘플 집합으로 표현해 비선형·비가우시안 상태 추정을 하는 방법으로, 몬테카를로 위치추정과 FastSLAM의 수학적 기반이며 여러 가설이 공존하는 로봇 위치 상실 문제를 다룰 수 있는 실용적 도구입니다.
논문에서는 이렇게 쓰입니다
여러 개의 가상 위치(입자)를 움직여 보고, 실제 센서값과 잘 맞는 입자에 더 높은 점수(가중치)를 준 뒤, 점수가 높은 입자 위주로 다시 뽑는 과정을 반복한다는 뜻입니다.
초기 위치 정보가 전혀 없는 상황에서도 반복적인 관측 갱신만으로 위치를 찾아가는 전역 위치추정 과정을 설명한다.
조금 더 깊게 보면
상태 차원이 높아지면 필요한 입자 수가 지수적으로 늘어 로봇 자세처럼 저차원 문제에 한정되며, 재샘플링을 반복하면 입자가 소수로 수렴하는 고갈 문제가 생깁니다. EKF가 선형화 오차를 내는 대신 계산이 가볍고, 파티클 필터는 비선형성에 강건한 대신 계산이 무거운 상보적 관계여서 문제 특성에 따라 선택합니다. 재샘플링은 가중치가 낮은 입자를 버리고 높은 입자를 복제해 다시 균등 가중치로 만드는 과정인데, 이를 매 시점 수행하면 다양성이 급격히 줄어드는 입자 고갈이 생기므로 유효 표본 크기가 일정 임계값 아래로 떨어질 때만 재샘플링하는 것이 표준 관례다. 상태 차원이 늘어날수록 같은 정확도를 유지하는 데 필요한 입자 수가 지수적으로 증가하는 차원의 저주 때문에, 고차원 문제에는 파티클필터 대신 다른 근사 기법이 선호된다.
주의할 점
입자 수가 부족하면 추정이 특정 값으로 편향되는 입자 고갈 문제가 발생할 수 있습니다. 관측 우도 함수가 매우 뾰족하면(센서가 정밀할수록) 대부분의 입자 가중치가 거의 0이 되어 유효 입자 수가 급격히 줄어드는 표본 고갈이 오히려 더 쉽게 발생할 수 있다.