상태공간 동등제약을 고려한 칼만 필터링

초록

본 논문은 상태공간 모델에 적용되는 두 가지 동등제약 기반 칼만 필터링 기법을 제시하고, 특정 가정 하에서 두 방법이 수학적으로 동일한 추정 구조를 형성함을 증명한다. 제약 적용이 추정 정확도와 수렴 속도에 미치는 긍정적 효과를 논의하고, 계산 비용 대비 장점을 강조한다.

상세 분석

논문은 먼저 기존 칼만 필터의 기본 수식과 상태공간 모델 (x_{k}=F_{k}x_{k-1}+w_{k},;z_{k}=H_{k}x_{k}+v_{k}) 을 재정의한 뒤, 동등제약 (D_{k}x_{k}=d_{k}) 을 어떻게 통합할 수 있는지를 두 가지 경로로 접근한다. 첫 번째 방법은 제약 전처리(Projection) 로, 예측 단계에서 얻은 무제약 추정 (\hat{x}{k|k-1})을 제약 공간에 정사영(projection)함으로써 (\hat{x}^{p}{k|k-1}= \hat{x}{k|k-1} - P{k|k-1}D_{k}^{\top}(D_{k}P_{k|k-1}D_{k}^{\top})^{-1}(D_{k}\hat{x}{k|k-1}-d{k})) 형태의 수정식을 도출한다. 여기서 (P_{k|k-1})은 예측 공분산이며, 정사영 연산은 최소제곱 의미에서 제약을 만족하는 가장 가까운 상태를 제공한다.

두 번째 방법은 제약 강화(Constraint Augmentation) 로, 관측 방정식에 제약을 가상의 측정으로 추가한다. 즉, 확장된 관측 벡터 (\tilde{z}_{k}=