자연기울기 기반 비선형 베이즈 필터 NANO

초록

본 논문은 베이즈 필터링의 예측·업데이트 단계를 각각 최적화 문제로 재구성하고, 스테인즈 보조정리를 이용해 정적 조건을 도출한다. 예측 단계는 기존 모멘트 매칭 필터와 동일하게 1·2차 모멘트를 계산하면 되지만, 업데이트 단계는 선형화 없이 목적 함수를 직접 최소화해야 한다. 이를 위해 피셔 정보 행렬을 이용한 자연기울기(Natural Gradient)를 도입해 Gaussian 매니폴드 상에서 최적의 하강을 수행한다. 제안된 NANO 필터는 업데이트 단계의 반복적 최적화와 예측 단계의 모멘트 매칭을 결합해, 비선형 시스템에서 EKF·UKF 대비 평균 RMS 오차를 약 45 % 감소시키면서 계산량은 비슷하게 유지한다. 또한, 수렴성 및 오류 지수적 유계에 대한 이론적 증명을 제공하고, 강인성을 위한 로버스트 변형도 제시한다.

상세 분석

논문은 비선형 베이즈 필터링을 두 개의 최적화 문제로 재정의함으로써 기존 Gaussian 필터가 갖는 근본적인 한계를 명확히 드러낸다. 예측 단계는 Chapman‑Kolmogorov 방정식에 의해 사전분포를 전파하는 과정이며, 스테인즈 보조정리를 적용하면 사전분포의 최적 Gaussian 근사는 단순히 전 단계의 평균과 공분산을 비선형 전이함수 f에 대해 1차와 2차 모멘트를 계산하는 것과 동등함을 보인다. 이는 기존 Unscented KF, Gauss‑Hermite KF 등 모멘트 매칭 기반 필터와 동일한 절차이며, 이때 선형화 오차가 발생하지 않는다.

반면 업데이트 단계는 Bayes 규칙에 의해 측정 likelihood와 사전분포를 결합하는 과정이다. 여기서 기존 EKF·UKF는 g(x)를 일차 테일러 전개하거나 통계적 선형 회귀(SLR)를 적용해 선형화한다. 논문은 이러한 “enabling approximation”이 비선형 경우 최적 Gaussian 근사를 보장하지 못함을 증명한다. 업데이트 단계의 최적화 목적은 KL 발산과 측정 손실의 가중합이며, 최적 조건은 두 개의 상호 의존적인 방정식으로 표현된다. 이 방정식은 일반적인 비선형 시스템에서 해석적으로 풀 수 없으므로, 저자는 Gaussian 매니폴드 위에서 자연기울기(Natural Gradient) 방법을 도입한다. 피셔 정보 행렬은 파라미터 공간의 곡률을 반영해 일반적인 경사하강보다 효율적인 탐색 방향을 제공한다.

알고리즘적으로 NANO 필터는 (1) 예측 단계에서 기존 모멘트 매칭을 수행해 μ₋, Σ₋을 얻고, (2) 업데이트 단계에서 현재 Gaussian 파라미터 θ=(μ,Σ)를 초기값으로 두고, 목적 함수 J(θ)=E_q