적응형 가우시안 혼합 필터와 통계적 선형화

초록

본 논문은 비선형·비가우시안 상태 추정에서 가우시안 혼합 모델의 구성 요소 수를 동적으로 조절하는 적응형 필터를 제안한다. 통계적 선형화를 이용해 각 혼합 성분의 지역적 선형화 오차를 정량화하고, 오차가 큰 경우 해당 성분을 최적의 방향으로 분할한다. 제안 방법은 특정 선형화 기법에 종속되지 않으며, 시뮬레이션 결과 기존 필터 대비 추정 정확도가 크게 향상됨을 보여준다.

상세 분석

이 논문은 비선형 시스템에서 베이지안 추정을 수행할 때 가우시안 혼합(Gaussian Mixture, GM) 형태의 사후 밀도를 이용하는 접근법의 핵심 문제인 ‘성분 수 선택’에 대한 새로운 해결책을 제시한다. 기존의 고정된 혼합 수를 사용하는 방법은 복잡도와 정확도 사이에서 트레이드오프가 발생하는데, 복잡도를 낮추면 근사 오차가 커지고, 반대로 성분을 많이 두면 계산량이 급증한다. 저자는 이러한 딜레마를 피하기 위해 ‘통계적 선형화’를 기반으로 한 적응형 스키밍 메커니즘을 도입한다.

우선, 각 가우시안 성분에 대해 비선형 변환을 선형화할 때 발생하는 지역적 오차를 정량화하는 새로운 지표를 정의한다. 이 지표는 비선형 상태‑관측 모델 (f(\cdot))와 그에 대한 1차 테일러 근사 혹은 Unscented Transform 등 통계적 선형화 결과 ( \tilde f(\cdot) ) 사이의 차이를 확률적 기대값 형태로 계산한다. 구체적으로, 성분 (i)의 평균 (\mu_i)와 공분산 (\Sigma_i)를 이용해
\