비선형 전파 모델을 적용한 무향칼만 필터의 내비게이션 정확도 향상

초록

본 논문은 내비게이션 오류 상태 벡터의 비선형 동역학을 직접 이용해 시그마 포인트를 전파하는 새로운 UKF 방식을 제안한다. 제안 기법은 기존 선형화 모델보다 정확한 평균·공분산 예측을 가능하게 하며, 실제 자율 수중 차량(AUV) 데이터 실험을 통해 기존 적응형 뉴럴 UKF 대비 속도와 정렬 오차가 현저히 감소함을 입증한다.

상세 분석

논문은 먼저 기존 무향칼만 필터(UKF)의 기본 구조와 한계점을 짚는다. EKF는 1차 편미분을 이용한 선형화 때문에 비선형 시스템에서 편향과 발산 위험이 크며, UKF는 시그마 포인트를 통해 3차 정확도를 확보하지만 여전히 동역학 모델의 정확성에 의존한다는 점을 강조한다. 저자들은 내비게이션 오류 상태(속도·정렬·가속·자이로 바이어스) 12차원을 상태벡터로 정의하고, 전통적인 선형화 모델이나 기존 비선형 오류 전파식 대신, 실제 스트랩다운 관성 내비게이션 알고리즘을 그대로 적용해 각 시그마 포인트를 전파한다. 구체적으로, 각 시그마 포인트를 현재 평균 해에 더한 뒤, 보정된 관성 측정값(바이어스 보정 포함)을 사용해 자세·속도·위치 업데이트 식(24‑32)을 순차적으로 실행한다. 전파 후 평균 해와 차이를 취해 새로운 오류 시그마 포인트를 얻고, 이를 기존 UKF 절차(평균·공분산 재계산, 칼만 이득 계산 등)에 투입한다. 실험은 iXblue Phins INS와 Teledyne RDI Work Horse DVL을 장착한 Snapir AUV 데이터를 사용했으며, 6개의 트랙(4개 학습, 2개 테스트)에서 초기 오차와 센서 노이즈·바이어스를 인위적으로 추가해 현실적인 상황을 재현했다. 성능 평가는 속도 RMS 오차(VRMSE)와 정렬 RMS 오차(MRMSE)로, 제안 방법을 적용한 ANUKF‑NESPM이 기존 ANUKF 대비 테스트 트랙에서 VRMSE를 약 30 %·MRMSE를 약 25 % 감소시켰다. 이는 비선형 전파 모델이 실제 내비게이션 동역학을 더 정확히 반영함을 증명한다. 다만, 시그마 포인트 수가 25개(12차원)로 늘어나 계산량이 증가하고, 실시간 적용을 위해 최적화가 필요하다는 점이 남는다.