주기적 시스템을 위한 Chandrasekhar 재귀식 확장

초록

본 논문은 Morf, Sidhu, Kailath가 제시한 “일정하고 선형적인 이산시간 시스템에 대한 새로운 재귀 추정 알고리즘”(IEEE Trans. Autom. Control 19, 1974, 315‑323)에서 도입된 Chandrasekhar‑형 재귀식을 주기적으로 변하는 상태‑공간 모델에 일반화한다. 한 단계 예측 오차 공분산의 S‑지연 증가량이 특정 재귀 관계를 만족함을 보이고, 이를 이용해 주기적 상태‑공간 모델에 대한 선형 최소제곱 추정 알고리즘을 유도한다. 제안된 재귀식은 전통적인 칼만 필터 및 특히 주기적 Riccati 차분 방정식에 비해 계산 효율성에서 잠재적인 장점을 제공한다.

상세 요약

Chandrasekhar 재귀식은 원래 Kalman 필터의 공분산 업데이트를 보다 효율적으로 구현하기 위해 도입된 알고리즘으로, 공분산 행렬의 차분 형태를 이용해 연산량을 크게 줄이는 것이 핵심이다. Morf·Sidhu·Kailath(1974)의 연구는 이 아이디어를 고정된(시간 불변) 선형 시스템에 적용했으며, 그 결과 공분산 행렬을 직접 계산하는 대신 저차원 행렬인 S‑lagged increment(‘S‑지연 증가량’)를 업데이트함으로써 메모리와 연산 복잡도를 감소시켰다. 그러나 실제 많은 제어·신호 처리 응용에서는 시스템 파라미터가 주기적으로 변하는 경우가 빈번히 발생한다. 예를 들어, 계절적 변동을 갖는 기후 모델, 회전 기계의 주기적 부하, 혹은 통신 시스템에서의 프레임 구조 등은 모두 시간에 따라 반복되는 상태‑전이와 관측 행렬을 가진다. 이러한 상황에서는 기존의 시간 불변 Kalman 필터와 Chandrasekhar 재귀식이 직접 적용될 수 없으며, 대신 주기적 Riccati 차분 방정식(P‑RDE)을 풀어야 한다. P‑RDE는 매 주기마다 동일한 형태의 Riccati 방정식을 반복적으로 해결해야 하므로, 차원과 주기가 큰 경우 계산 부담이 급격히 증가한다.

본 논문은 이러한 문제점을 인식하고, Chandrasekhar 재귀식을 주기적 시간‑가변(state‑space) 모델에 맞게 일반화하였다. 핵심 아이디어는 “S‑lagged increment”라는 개념을 주기적 환경에서도 정의하고, 이 증가량이 일정한 재귀 관계를 만족한다는 수학적 증명을 제공하는 것이다. 구체적으로, 한 단계 예측 오차 공분산 (P_{k|k-1})의 차분을 (Δ_{k}=P_{k|k-1}-P_{k-1|k-2}) 로 두고, 이를 주기 (N)에 대해 (Δ_{k+N}=F_{k}Δ_{k}F_{k}^{\top}) 형태의 선형 변환으로 표현한다. 여기서 (F_{k})는 주기적 상태 전이 행렬이며, 관측 행렬과 잡음 공분산도 주기에 따라 순환한다. 이러한 구조 덕분에 공분산 자체를 매번 전부 계산할 필요 없이, 저차원 행렬 (Δ_{k})만을 업데이트하면 된다.

알고리즘적 측면에서 저자는 두 가지 구현 방안을 제시한다. 첫 번째는 “직접 재귀” 방식으로, 매 시간 단계마다 (Δ_{k})와 관측 잔차를 이용해 상태 추정량을 갱신한다. 두 번째는 “주기적 블록” 방식으로, 한 주기 전체를 한 번에 처리해 블록 형태의 전이 행렬과 관측 행렬을 미리 계산한 뒤, 블록 단위로 재귀를 수행한다. 특히 두 번째 방식은 주기가 큰 시스템에서 메모리 접근 패턴을 최적화하고, 병렬 처리에 유리한 구조를 제공한다는 장점이 있다.

계산 복잡도 분석에 따르면, 전통적인 주기적 Kalman 필터는 매 단계마다 (O(n^{3})) (여기서 (n)은 상태 차원) 연산을 요구한다. 반면 제안된 Chandrasekhar 재귀식은 (Δ_{k})의 차원이 일반적으로 (r\ll n) (예: 관측 차원 또는 시스템의 유효 차원)인 경우, 연산량을 (O(r^{2}n)) 혹은 (O(r^{3})) 수준으로 낮출 수 있다. 따라서 고차원 시스템이면서 주기가 긴 경우, 실시간 구현이 가능하도록 크게 비용을 절감한다.

하지만 몇 가지 제한점도 존재한다. 첫째, (Δ_{k})가 충분히 저차원이라는 가정이 성립하려면 시스템이 충분히 관측 가능하고, 잡음 공분산이 일정하거나 주기적으로 변동하는 구조여야 한다. 둘째, 수치적 안정성 측면에서 (Δ_{k})가 매우 작은 값으로 수렴할 경우, 부동소수점 오차가 누적될 위험이 있다. 이를 보완하기 위해 정규화 기법이나 재스케일링 전략이 필요할 것으로 보인다. 셋째, 주기적 블록 방식은 사전 계산이 필요하므로, 시스템 파라미터가 급격히 변하거나 비정상적인 이벤트가 발생할 경우 재구성이 요구된다.

향후 연구 방향으로는 (1) 비주기적이면서도 점진적으로 변하는 파라미터를 다루는 적응형 Chandrasekhar 재귀식, (2) 고성능 GPU/FPGA 기반 병렬 구현, (3) 대규모 네트워크ed 시스템에서의 분산형 구현 등이 제시될 수 있다. 특히, 기계학습과 결합해 파라미터 추정을 온라인으로 수행하면서도 재귀식의 효율성을 유지하는 하이브리드 접근법이 흥미로운 연구 주제가 될 것이다.