가우시안 필터링과 스무딩의 확률적 관점

초록

본 논문은 가우시안 필터와 스무터를 확률적 관점에서 재구성한다. 핵심 아이디어는 필터링·스무딩 과정이 joint 확률분포의 평균과 공분산을 어떻게 계산·근사하느냐에 따라 달라진다는 점이다. 이를 바탕으로 기존 방법들을 통합적으로 설명하고, 새로운 큐비처(Kalman) 스무터와 Gibbs 샘플링 기반 강인 필터를 제안한다.

상세 분석

논문은 먼저 연속·이산 상태공간 모델을 확률적 그래프 형태로 표현하고, 필터링과 스무딩을 “joint posterior” (p(x_k, x_{k+1}\mid y_{1:k+1})) 의 2차 모멘트(평균·공분산)를 추정하는 문제로 전환한다. 이 관점에서 기존 EKF, UKF, CKF 등은 각각 선형화, Unscented 변환, 수치적 적분(큐비처) 방식을 이용해 해당 모멘트를 근사한다는 공통점을 가진다. 저자들은 이 공통 구조를 “Moment Computation Module”(MCM)이라 명명하고, MCM을 교체함으로써 새로운 필터/스무터를 손쉽게 설계할 수 있음을 보인다.

핵심 수학적 결과는 두 단계로 나뉜다. 첫째, Gaussian 가정 하에 joint 분포는 또 다른 Gaussian으로 표현될 수 있기에, 평균과 공분산만 알면 전체 추정이 가능하다는 점을 증명한다. 둘째, 이 두 모멘트를 정확히 계산하기 위한 일반적인 수치적 방법을 제시한다. 특히, 큐비처(Kalman) 스무터는 3차 정확도를 갖는 구면 적분 규칙을 이용해 상태‑관측 결합의 2차 모멘트를 직접 계산함으로써, 기존 Unscented 스무터보다 계산량은 비슷하면서도 더 높은 정확도를 제공한다.

또한, 저자들은 MCM을 확률적 샘플링 방식으로 대체한다. Gibbs 샘플링을 이용해 조건부 분포 (p(x_k\mid x_{k-1}, y_k)) 와 (p(x_{k+1}\mid x_k, y_{k+1})) 에서 샘플을 반복적으로 추출하고, 이 샘플들의 경험적 평균·공분산을 사용한다. 이 접근법은 비선형성이나 비가우시안 잡음에 대해 강인성을 제공한다는 장점이 있다. 특히, 샘플 수가 충분히 크면 MCM의 근사 오차를 확률적으로 억제할 수 있어, 실시간 시스템에서 잡음 모델이 불확실하거나 외란이 큰 경우에 유용하다.

마지막으로, 실험 섹션에서는 1차 및 2차 비선형 시스템, 그리고 강인성을 요구하는 로봇 위치 추정 시나리오에 대해 EKF, UKF, CKF, 제안된 큐비처 스무터, Gibbs 기반 필터를 비교한다. 결과는 큐비처 스무터가 평균 제곱 오차(MSE)에서 기존 방법들을 일관되게 앞서며, Gibbs 기반 필터는 잡음 분포가 비가우시안일 때도 안정적인 추정 성능을 유지함을 보여준다. 전체적으로 논문은 Gaussian 필터링·스무딩을 “모멘트 계산”이라는 단일 프레임워크로 통합하고, 이를 기반으로 새로운 알고리즘을 설계하는 방법론적 토대를 제공한다.