레이더 예제로 쉽게 이해하는 칼만 필터 튜토리얼

칼만 필터란 무엇인가

• 레이더로 항공기의 거리와 속도를 추적하는 예제를 통해 칼만 필터(Kalman Filter)의 핵심 원리를 단계별로 설명하는 튜토리얼임
  • 시스템 상태를 거리(r)와 속도(v)로 구성된 벡터로 정의함
  • 측정값에는 항상 노이즈가 포함되어 있어서, 불확실성을 정량화하는 것이 핵심임

필터 초기화

• 첫 번째 측정값을 그대로 초기 상태 추정치로 사용함
  • 거리 10,000m, 속도 200m/s를 측정 벡터로 설정
  • 측정 불확실성은 공분산 행렬 R로 표현하며, 거리 분산 16m^2, 속도 분산 0.25(m/s)^2로 설정함
• 측정의 신뢰도는 신호 대 잡음비(SNR)에 의해 결정됨
  • SNR이 높을수록 분산이 작아지고, 측정을 더 신뢰할 수 있음

상태 예측 (State Extrapolation)

• 상태 전이 행렬 F를 사용하여 현재 상태에서 다음 상태를 예측함
  • 등속 운동 모델 기준으로, 5초 후 거리는 11,000m, 속도는 200m/s로 예측됨
  • 핵심 수식: x_predicted = F * x_current
• 예측 공분산도 함께 계산해야 함
  • P_predicted = F * P * F^T + Q 형태로, 공분산 행렬의 전파는 양쪽에서 F를 곱하는 구조임
  • 속도 불확실성이 시간이 지남에 따라 거리 불확실성을 증가시킴

프로세스 노이즈 Q

• 현실의 예측 불가능한 요소(바람 등)를 반영하기 위해 프로세스 노이즈 행렬 Q를 추가함
  • 랜덤 가속도의 표준편차를 0.2m/s^2로 가정
  • Q를 더하지 않으면 필터가 자신의 예측을 과신하게 되어 발산할 수 있음

칼만 이득 (Kalman Gain)

• 예측과 측정 중 어느 쪽을 더 신뢰할지 결정하는 가중치임
  • 예측 불확실성이 작으면 예측에 더 큰 가중치를 부여함
  • 측정 불확실성이 작으면 측정에 더 큰 가중치를 부여함
• 다변량 공식: K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)
  • H는 관측 행렬로, 상태 공간을 측정 공간으로 변환함
  • 이 예제에서는 H가 단위 행렬이라 계산이 단순해짐

상태 갱신 (State Update)

• 칼만 필터의 핵심 아이디어는 예측도, 측정도 단독으로 쓰지 않고 가중 평균을 구하는 것임
  • 갱신 수식: x_updated = x_predicted + K * (z - H * x_predicted)
  • (z - H * x_predicted) 부분을 혁신(innovation) 또는 잔차(residual)라고 부름
• 두 번째 측정에서 거리 11,020m, 속도 202m/s가 들어왔을 때
  • 혁신 벡터는 [20, 2]이고, 칼만 이득을 적용한 보정값은 [9.37, 1.43]
  • 최종 추정치는 [11,009.37, 201.43]으로, 예측과 측정 사이의 값이 됨

공분산 갱신

• 추정치의 불확실성도 함께 갱신함
  • Joseph 형식: P_updated = (I - KH) * P_pred * (I - KH)^T + K * R * K^T
  • 수치적 안정성을 위해 Joseph 형식이 권장됨
• 갱신 후 불확실성은 예측 불확실성보다도, 측정 불확실성보다도 낮아짐
  • 이것이 칼만 필터의 핵심 이점임. 불확실한 정보라도 결합하면 더 정확해짐

반복 구조

• 칼만 필터는 예측(Predict) -> 갱신(Update) 사이클을 반복함
  • 매 반복마다 예측 단계에서 불확실성이 증가하고, 갱신 단계에서 감소함
  • 시간이 지나면서 측정이 없는 구간에서는 불확실성이 자연스럽게 커짐
• 두 번째 반복의 예측에서 거리 분산이 14.57에서 52.86으로 증가한 것이 이를 잘 보여줌

---

기술 맥락

칼만 필터는 1960년대에 루돌프 칼만이 발표한 이후로 항법, 로봇공학, 금융 등 거의 모든 추정 문제에 사용되는 알고리즘이에요. 이 튜토리얼이 가치 있는 이유는, 보통 칼만 필터 설명이 수식만 나열하고 끝나는 경우가 많은데 여기서는 레이더 추적이라는 구체적인 시나리오로 매 단계의 수치를 직접 계산해 보여주거든요.

핵심 인사이트는 "불확실한 정보라도 버리지 말고 결합하라"는 거예요. 예측 불확실성이 28.5이고 측정 불확실성이 36인 상황에서, 둘 다 부정확하지만 칼만 이득으로 가중 평균을 내면 불확실성이 14.57로 둘 다보다 낮아지거든요. 이게 직관적으로 와닿지 않을 수 있는데, 서로 독립적인 정보원을 결합하면 항상 정보량이 증가한다는 정보 이론의 원리가 뒤에 있어요.

프로세스 노이즈 Q의 설정이 실무에서 가장 까다로운 부분이에요. Q를 너무 작게 잡으면 필터가 모델을 과신해서 실제 변화에 느리게 반응하고, 너무 크게 잡으면 측정 노이즈를 그대로 따라가 버리거든요. 이 튜토리얼에서는 랜덤 가속도 모델로 Q를 유도하는 방법을 보여주는데, 실제 시스템에서는 이 값을 시뮬레이션이나 실험 데이터로 튜닝하는 경우가 많아요.

Joseph 형식의 공분산 갱신도 실무적으로 중요한 포인트예요. 단순화된 형식 (I-KH)P로도 이론적으로 같은 결과가 나오지만, 부동소수점 연산에서 공분산 행렬의 양의 정부호 성질이 깨질 수 있거든요. 이런 수치 안정성 문제는 교과서에서는 잘 안 다루는데 실제 구현에서는 필터 발산의 주요 원인이 되기도 해요.