스케일드 언센트 트랜스폼 기반 가우시안 합 필터

초록

본 논문은 비선형·비가우시안 시스템의 상태 추정을 위해 스케일드 언센트 트랜스폼(SUT)과 가우시안 혼합 모델(GMM)을 결합한 스케일드 언센트 트랜스폼 가우시안 합 필터(SUT‑GSF)를 제안한다. 각 서브 시스템에 SUKF를 적용해 평균·공분산을 추정하고, 이를 GMM에 통합해 전체 상태 확률밀도함수를 근사한다.

상세 분석

본 연구는 비선형·비가우시안 동적 시스템의 상태 추정 문제를 두 가지 강력한 기법, 즉 스케일드 언센트 트랜스폼(Scaled Unscented Transform, SUT)과 가우시안 혼합 모델(Gaussian Mixture Model, GMM)의 결합을 통해 해결하고자 한다. SUT는 전통적인 Unscented Transform(UT)의 확장형으로, 스케일 파라미터(α, β, κ)를 도입해 샘플 포인트(시그마 포인트)의 분포를 조정함으로써 고차 모멘트까지 보다 정확히 반영한다. 이는 비선형 함수에 의해 변환된 가우시안 랜덤 변수의 평균과 공분산을 근사하는 데 있어, 선형화 기반 EKF보다 높은 차수의 정확성을 제공한다.

한편 GMM은 복잡한 확률밀도함수를 가중치가 부여된 다수의 가우시안 컴포넌트의 합으로 표현한다. 비가우시안 특성을 갖는 시스템에서는 단일 가우시안으로는 분포의 비대칭성, 다중 피크, 꼬리 두께 등을 충분히 포착하지 못한다. 따라서 GMM을 이용해 전체 상태 pdf를 다중 가우시안으로 분해하면, 각 컴포넌트가 시스템의 서로 다른 동작 모드(예: 비선형 구간, 상태 전이 등)를 담당하도록 설계할 수 있다.

SUT‑GSF는 이러한 두 아이디어를 계층적으로 결합한다. 먼저 전체 시스템을 M개의 서브 시스템으로 분할한다. 각 서브 시스템은 동일한 비선형 동역학을 갖지만, 초기 상태와 프로세스 노이즈가 서로 다른 가우시안 컴포넌트에 의해 정의된다. 각 서브 시스템에 대해 스케일드 언센트 칼만 필터(SUKF)를 적용하면, 비선형 변환 후의 평균 μ_i와 공분산 P_i를 고정밀도로 추정할 수 있다. 여기서 중요한 점은 SUKF가 제공하는 2L+1(또는 2L+2)개의 시그마 포인트가 고차 비선형성을 효과적으로 캡처한다는 것이다.

다음 단계는 각 서브 시스템의 추정 결과를 GMM에 재통합하는 과정이다. 서브 시스템 i의 가중치 w_i는 사전 확률 혹은 이전 단계에서의 베이즈 업데이트에 의해 조정된다. 따라서 전체 상태 pdf는

p(x_k|y_{1:k}) ≈ Σ_{i=1}^M w_i·𝒩(x_k; μ_i, P_i)

와 같은 형태가 된다. 이 표현은 “완전한” 해답이라 할 수 있는데, 왜냐하면 평균, 공분산뿐 아니라 고차 모멘트, 다중 피크 구조 등 모든 통계 정보를 명시적으로 제공하기 때문이다.

알고리즘적 측면에서 SUT‑GSF는 기존 가우시안 합 필터(GSF)의 두 가지 한계를 극복한다. 첫째, 전통 GSF는 각 컴포넌트에 대해 선형화(예: EKF)나 무게 중심 근사(예: UT)를 사용하므로 비선형성에 취약했다. 스케일드 언센트 트랜스폼을 도입함으로써 이러한 근사의 정확도를 크게 향상시켰다. 둘째, 컴포넌트 수가 급증하는 문제를 완화하기 위해 재샘플링, 컴포넌트 병합, 가중치 절단 등의 전략을 논문에서 제시한다. 특히, KL‑다이버전스 기반의 병합 기준은 정보 손실을 최소화하면서 계산 복잡도를 제어한다.

수치 실험에서는 저차원 비선형 시스템(예: 로렌즈 시스템)과 고차원 대기 모델(예: Lorenz‑96) 두 가지 사례를 통해 성능을 검증한다. 결과는 기존 EKF‑GSF, 표준 UT‑GSF 대비 평균 제곱 오차(RMSE)와 로그우도(log‑likelihood)에서 유의미한 개선을 보였으며, 특히 비가우시안 특성이 강한 상황에서 GMM 컴포넌트가 동적으로 추가·제거되는 과정이 필터의 적응성을 크게 향상시켰다.

요약하면, SUT‑GSF는 스케일드 언센트 트랜스폼을 통한 고정밀 비선형 변환 근사와 가우시안 혼합 모델을 통한 비가우시안 분포 표현을 결합함으로써, 비선형·비가우시안 시스템에 대한 상태 추정의 정확도와 유연성을 동시에 달성한다. 향후 연구에서는 컴포넌트 수 자동 조절, 고차원 병렬 구현, 그리고 실시간 데이터 동화에의 적용 가능성을 탐색할 여지가 있다.