분산 제안밀도 적응을 통한 Likelihood Consensus 기반 입자 필터 혁신

초록

본 논문은 무선 센서 네트워크에서 각 센서가 전역 상태 추정을 수행하도록 설계된 분산 입자 필터(Distributed PF)를 제안한다. 센서들은 공동 Likelihood Consensus(LC) 방식을 일반화하여 전체 센서의 관측을 반영한 공동 가능도(JLF)를 분산 계산하고, 새로운 합의 기반 알고리즘으로 제안밀도(PD)를 적응시켜 입자 수를 크게 줄이면서 추정 정확도를 향상시킨다. 목표 추적 시뮬레이션을 통해 제안 방법의 우수성이 입증된다.

상세 분석

이 논문은 두 가지 핵심 기술을 결합해 기존 분산 입자 필터의 한계를 극복한다. 첫 번째는 기존 LC가 가정하던 가우시안 잡음·지수형 가능도 제한을 넘어, 임의의 비선형·비가우시안 측정 모델에 적용 가능한 일반화된 LC 방식을 도입한 점이다. 이를 위해 각 센서는 로컬 로그가능도를 사전 정의된 기저함수 집합 ϕₙ,ᵣ(xₙ)와 확장계수 αₙ,ₖ,ᵣ(zₙ,ₖ)로 근사하고, 이 계수들을 합의 알고리즘을 통해 전역 계수 aₙ,ᵣ(zₙ)로 집계한다. 전역 계수는 상태 xₙ와 무관하므로 합의 과정에서 실제 상태 정보를 교환할 필요가 없으며, 각 센서는 동일한 기저함수를 사용해 aₙ,ᵣ(zₙ)만 알면 전체 가능도 ˜f(zₙ|xₙ)=exp(∑₍ᵣ₎ aₙ,ᵣ(zₙ)ϕₙ,ᵣ(xₙ))를 평가할 수 있다. 이 구조는 고차원 측정에서도 통신량이 측정 차원에 의존하지 않아 확장성이 뛰어나다.

두 번째 핵심은 제안밀도(PD) 적응이다. 기존 분산 PF는 고정된 제안밀도를 사용하거나, 로컬 측정에만 기반한 PD를 적용해 성능 저하를 겪었다. 저자들은 각 센서가 “전역 예측” f(xₙ|z₁:ₙ₋₁)을 K분의 1 스케일링한 가우시안 𝒩(μ′ₙ,ₖ, K·C′ₙ,ₖ)와 로컬 측정 zₙ,ₖ를 이용해 “전처리된” 가짜 사후분포 ˜f(xₙ|z₁:ₙ₋₁, zₙ,ₖ)=f(zₙ,ₖ|xₙ)·𝒩(μ′ₙ,ₖ, K·C′ₙ,ₖ) 를 계산한다. 이 가짜 사후분포를 가우시안으로 근사(μ̃ₙ,ₖ, C̃ₙ,ₖ)하고, 모든 센서의 근사 가우시안을 곱해 전역 사후분포(즉, 전역 PD) 𝒩(μₙ, Cₙ)를 얻는다. 가우시안 곱셈 공식에 따라 μₙ와 Cₙ는 각 센서의 C̃ₙ,ₖ⁻¹·μ̃ₙ,ₖ와 C̃ₙ,ₖ⁻¹의 합으로 표현되며, 이 합도 합의 알고리즘을 통해 분산적으로 계산된다. 결과적으로 각 센서는 전역 관측을 반영한 최적에 가까운 제안밀도를 사용해 입자를 샘플링하므로, 동일한 입자 수에서도 기존 방법보다 훨씬 높은 효율을 달성한다.

복잡도 측면에서 일반화된 LC는 각 기저함수당 I·R개의 실수( I: 합의 반복 횟수, R: 기저함수 수)만을 교환한다. PD 적응은 추가로 I·