입자 필터의 안전성 시간에 따른 추정 오차의 불가피성 및 개선 방안

초록

본 논문은 입자 필터(PF)의 추정값이 시간에 따라 일정 수준 이상의 오차를 피할 수 없음을 수학적으로 증명하고, 제한된 시간 구간에서는 입자 수를 늘려 오차 확률을 제어할 수 있음을 제시한다. 또한, 동일 모델에 대해 무작위화된 준몬테카를로 기법인 SQMC가 PF보다 강력한 수렴 보장을 제공함을 보여준다.

상세 분석

논문은 먼저 가장 단순한 1차원 선형 가우시안 상태공간 모델을 설정하고, 관측값을 모두 0으로 고정한다. 이 경우 실제 필터링 분포 ˆηₜ는 시간이 지남에 따라 고정된 가우시안 N(0,σ²_∞)으로 수렴한다는 정리를 제시한다(정리 1). 그 위에 입자 필터 알고리즘을 적용하면, 각 시간 단계마다 독립적인 U(0,1) 난수를 이용해 재샘플링·변이 과정을 수행한다. 저자는 Kolmogorov 거리 ‖·‖를 사용해 추정오차를 측정하고, κ∈(0,½) 임의의 임계값에 대해 ‖ˆηₜᴺ−ˆηₜ‖≥κ가 무한히 자주 발생한다는 강력한 ‘almost sure’ 결과를 증명한다(명제 2). 이는 기존 문헌에서 기대하던 “시간이 지나도 오차가 축적되지 않는다”는 직관과 정반대이며, PF가 본질적으로 과도한 무작위성을 도입해 장기적으로는 필터링 분포를 완전히 놓칠 가능성이 있음을 의미한다.

다음으로 저자는 동일 모델에서 제한된 시간 구간 T에 대해 오차 확률 P(supₜ≤T‖ˆηₜᴺ−ˆηₜ‖≥κ)≤q를 만족하도록 필요한 입자 수 N을 명시적으로 상한한다. 구체적으로 N≥C·v_κ·log(T/q) (v_κ는 κ에만 의존하는 상수)이면 위 확률이 q 이하가 된다. 여기서 C는 절대 상수이며, 이 결과는 기존 Del Moral(2013)의 상한보다 T에 대한 의존도가 더 선형에 가깝고, 실제 모델에 적용 가능함을 강조한다. 또한, N이 고정된 경우 T→∞이면 위 확률이 1에 수렴한다는 부정적 결과도 도출한다.

마지막으로, 무작위화된 (t, s)-시퀀스를 이용한 순차적 quasi‑Monte Carlo(SQMC) 알고리즘을 도입한다. SQMC는 입자들의 재샘플링 단계에서 독립적인 난수가 아니라 저차원 고균일 분포를 갖는 스크램블된 시퀀스를 사용한다. 이때 별도의 별도 난수 집합을 시간마다 독립적으로 생성하지만, 각 집합은 저차원 격자 구조를 유지한다. 논문은 동일 모델에 대해 SQMC가 N→∞일 때 supₜ≥1‖˜ηₜᴺ−ˆηₜ‖→0 (거의 확실히)임을 증명한다(명제 3). 이는 SQMC가 PF보다 ‘안전성’ 면에서 우수함을 수학적으로 뒷받침한다. 핵심 아이디어는 별도 난수 대신 저불일치(discrepancy) O(N⁻¹·logⁿ N) 를 갖는 점 집합을 사용함으로써, 재샘플링 과정에서 발생하는 확률적 변동을 크게 억제한다는 점이다.

전체적으로 이 논문은 (1) PF가 장기적으로는 필터링 오차를 피할 수 없다는 부정적 한계, (2) 제한된 시간 구간에서는 입자 수와 시간 길이 사이의 명확한 트레이드오프를 제공하는 정량적 경계, (3) SQMC가 이러한 한계를 극복하고 거의 확실한 수렴을 보장한다는 세 가지 주요 기여를 제시한다. 특히, 실시간 자율주행, 로보틱스 등 안전이 중요한 응용 분야에서 PF 사용 시 ‘무한히 자주 큰 오차가 발생한다’는 사실을 인식하고, 필요 시 SQMC와 같은 탈난수화 기법을 도입해야 함을 강력히 시사한다.