불확실 파라미터를 고려한 앙상블 칼만 필터

초록

본 논문은 비선형 동적·측정 모델의 불확실 파라미터 영향을 완화하기 위해, 파라미터 통계량을 상태와 함께 확장하는 앙상블 고려 칼만 필터(EnCKF)를 제안한다. 기존 앙상블 칼만 필터(EKF)의 제이콥비안 회피와 계산량 감소 장점을 유지하면서, 파라미터 샘플링·재샘플링을 통해 추정 정확도를 향상시킨다. 두 개의 수치 시뮬레이션 결과, EnCKF가 불확실 파라미터에 대한 민감도를 크게 낮추는 것이 확인되었다.

상세 분석

EnCKF는 전통적인 EKF와 비교해 두 가지 핵심적인 혁신을 제공한다. 첫째, 비선형 시스템의 상태와 불확실 파라미터를 하나의 확장 상태벡터로 결합함으로써 파라미터의 확률적 특성을 직접 추정에 반영한다. 이때 파라미터는 사전 분포를 기반으로 샘플링되어 앙상블에 포함되며, 각 앙상블 멤버는 상태·파라미터 쌍을 동시에 보유한다. 둘째, 기존 앙상블 칼만 필터가 시간 진행 중에 발생하는 샘플 편향을 보정하기 위해 별도의 변분 기법을 도입하는 반면, EnCKF는 새로운 관측이 들어올 때마다 전체 앙상블을 재샘플링(resampling)한다. 재샘플링 단계에서는 파라미터의 사후 분포를 추정하고, 이를 기반으로 새로운 파라미터 샘플을 생성해 앙상블을 재구성한다. 이 과정은 파라미터 불확실성이 시간에 따라 변하는 상황에서도 추정 편향을 최소화한다는 장점을 가진다.

알고리즘 흐름은 크게 네 단계로 나뉜다. (1) 초기화 단계에서 상태와 파라미터의 사전 평균·공분산을 설정하고, 다수의 샘플을 추출해 초기 앙상블을 만든다. (2) 예측 단계에서는 각 앙상블 멤버에 비선형 동적 모델을 적용해 다음 시점의 상태·파라미터를 전파한다. 여기서 제이콥비안을 계산할 필요가 없으며, 모델 함수 자체만 호출하면 된다. (3) 관측 업데이트 단계에서는 관측 모델을 통해 예측된 관측값을 계산하고, 관측 오차 공분산과 앙상블 기반 공분산을 이용해 칼만 이득을 구한다. (4) 재샘플링 단계에서는 업데이트된 파라미터 분포를 기반으로 새로운 파라미터 샘플을 생성하고, 기존 앙상블을 교체한다. 이때 상태는 파라미터 재샘플링에 따라 재조정되며, 전체 추정 과정이 일관성을 유지한다.

계산 복잡도 측면에서 EnCKF는 제이콥비안 계산을 완전히 배제함으로써 O(N·n²) 수준(여기서 N은 앙상블 크기, n은 상태 차원)에서 O(N·n·p) 수준(p는 파라미터 차원)으로 감소한다. 또한 재샘플링은 일반적인 파티클 필터에서 사용되는 복잡한 가중치 정규화 과정을 필요로 하지 않으며, 단순히 다변량 정규분포에서 샘플을 추출하는 형태이므로 구현이 용이하다.

시뮬레이션에서는 (i) 비선형 로봇 위치 추정 문제와 (ii) 화학 반응 모델의 파라미터 추정 문제를 대상으로 EnCKF와 기존 EKF·EnKF를 비교하였다. 두 경우 모두 파라미터 불확실성이 크게 작용할 때, EnCKF는 평균 제곱 오차(MSE)를 30% 이상 감소시켰으며, 추정 편향도 현저히 낮았다. 특히 파라미터가 시간에 따라 변동하는 경우, 재샘플링 메커니즘이 파라미터 추정의 적응성을 크게 향상시켰다.

하지만 몇 가지 한계점도 존재한다. 첫째, 재샘플링 빈도가 높아질수록 앙상블 내 다양성이 감소할 위험이 있다(샘플 퇴화 현상). 이를 완화하기 위해서는 적절한 노이즈 주입이나 다중 모델 접근법이 필요할 수 있다. 둘째, 파라미터 사전 분포가 실제와 크게 다를 경우 초기 샘플링 단계에서 큰 편향이 발생할 수 있다. 따라서 사전 지식이 충분히 확보된 상황에서 적용하는 것이 바람직하다. 마지막으로, 앙상블 크기가 작을 경우 공분산 추정의 신뢰도가 떨어져 필터 성능이 저하될 수 있다.

종합적으로, EnCKF는 비선형 시스템에서 파라미터 불확실성을 직접 모델링하고, 제이콥비안 회피와 재샘플링을 결합함으로써 기존 필터 대비 계산 효율성과 추정 정확도 양쪽을 동시에 개선한다는 점에서 실용적인 가치가 크다. 향후 연구에서는 고차원 파라미터 공간에 대한 효율적인 샘플링 전략, 적응형 재샘플링 스케줄링, 그리고 실시간 임베디드 시스템 적용을 위한 경량화 방안이 탐구될 필요가 있다.