순차 단일 및 다중 객체 필터링을 위한 베이지안 조건부 몬테카를로 알고리즘

초록

본 논문은 순차 베이지안 필터링에 SMC(Sequential Monte Carlo)와 CMC(Conditional Monte Carlo)를 결합한 새로운 추정 방법을 제안한다. 시간 재귀적 구조를 이용해 각 시점에서 조건부 기대값을 계산함으로써 기존의 거친 MC 추정보다 항상 낮은 분산을 보이며, 이를 히든 마코프 체인, 점프 마코프 상태공간 시스템, 다중 목표 추적 등에 적용하고 시뮬레이션으로 검증한다.

상세 분석

베이지안 필터링은 관측 시퀀스로부터 숨겨진 상태의 사후 확률밀도(pdf)를 순차적으로 추정하는 문제이며, SMC(Particle Filter)는 이를 구현하기 위한 대표적인 방법이다. 그러나 표본 수가 제한될 때 입자 가중치가 소수의 입자에 집중되는 ‘weight degeneracy’ 현상이 발생해 추정 분산이 크게 증가한다. 전통적인 MC 추정은 단순히 입자 가중치와 상태값을 곱해 평균을 구하는 방식으로, 이 분산을 감소시키기 위한 별도 메커니즘이 부족하다.

조건부 몬테카를로(CMC)는 “다른 변수에 대한 조건부 기대값”을 이용해 추정량을 대체함으로써 분산을 이론적으로 최소화한다(Rao‑Blackwellization). 논문에서는 SMC의 시간 재귀 구조를 활용해, 현재 시점 t에서의 추정량을 이전 시점 t‑1의 입자와 현재 관측값을 조건으로 한 기대값으로 대체한다. 구체적으로, 상태 x_t의 점추정(예: 평균, 최빈값) θ_t=E