칼만 필터를 관측기로: 공식 및 응용

칼만 필터를 통한 확률론적 관측자: 수학적 연결성

칼만 필터는 확률론적 상태 보정을 통해 동적 시스템의 최적 관측을 구현합니다. 잠수정 펌프 전기 모터 모델링 맥락에서, 위상 전압은 모델 입력으로, 전류는 가상 모델을 실제 객체와 동기화하기 위한 측정값으로 작용합니다. 이를 통해 회전자 속도와 같이 직접 접근할 수 없는 매개변수를 추출할 수 있습니다.

상태 예측을 위한 수학적 모델:

\begin{align}
  & \hat{x}_k = F_k \hat{x}_{k-1} + B_k \vec{u}_k \\
  & P_k = F_k P_{k-1} F_k^T + Q_k
\end{align} \tag{1}

여기서 $F_k$는 이산 시간 시스템 동역학 행렬(전기 모터)이며, $\hat{x}_k$는 공분산 $P_k = Cov(\hat{x}_k)$를 갖는 추정 상태 벡터입니다. $Q_k$는 프로세스 잡음 공분산(불균일한 오일 분율로 인한 교란)이고, $\vec{u}_k$는 결정론적 입력(위상 전압)이며, $B_k$는 입력 행렬입니다.

측정값 기반 보정

예측된 준 센서 전류: $\vec{\mu}_{expected} = H_k \hat{x}_k$, 공분산 $\Sigma_{expected} = H_k P_k H_k^T$. 실제 전류 측정값: $\vec{z}_k$, 공분산 $R_k = Cov(\vec{z}_k)$.

가우시안 곱을 통해 예측과 측정을 결합하면 보정된 추정치를 얻습니다:

\begin{align}
  & \vec{\mu}' = \vec{\mu}_0 + K(\vec{\mu}_1 - \vec{\mu}_0) \\
  & \Sigma' = \Sigma_0 - K \Sigma_0 \\
  & K = \Sigma_0 (\Sigma_0 + \Sigma_1)^{-1}
\end{align} \tag{4}

여기서 $(\vec{\mu}_0, \Sigma_0) = (H_k \hat{x}_k, H_k P_k H_k^T)$, $(\vec{\mu}_1, \Sigma_1) = (\vec{z}_k, R_k)$입니다. 상태 공간과의 연결:

\begin{align}
  & \vec{\mu}' = H_k \hat{x}'_k \\
  & \Sigma' = H_k P'_k H_k^T
\end{align} \tag{5}

대입을 통해 표준 칼만 보정 공식을 도출합니다:

\begin{align}
  & \hat{x}'_k = \hat{x}_k + K'_k (\vec{z}_k - H_k \hat{x}_k) \\
  & P'_k = P_k - K'_k H_k P_k \\
  & K'_k = P_k H_k^T (H_k P_k H_k^T + R_k)^{-1}
\end{align} \tag{8}

정준 관측자 형태

전체 반복 체계: (1)을 통한 예측, (8)을 통한 보정, 이후 $\hat{x}_{k-1} \leftarrow \hat{x}'_k$, $P_{k-1} \leftarrow P'_k$. 예측을 보정에 대입하면 정준 관측자를 얻습니다:

\hat{x}'_k = F_k \hat{x}_{k-1} + B_k \vec{u}_k + K'_k (\vec{z}_k - H_k \hat{x}_k)

• $F_k \hat{x}_{k-1} + B_k \vec{u}_k$: 입력(전압)을 포함한 객체 모델.
• $\vec{z}_k$: 측정값(전류).
• $K'_k (\vec{z}_k - H_k \hat{x}_k)$: 오차 $\vec{z}_k - H_k \hat{x}_k \to 0$를 최소화하는 보정.

결과적으로, 모델의 가상 전류는 실제 전류와 동기화되며, 좌표 $\hat{x}'_k$는 회전자 속도를 포함한 실제 상태를 반영합니다.

중견/시니어 개발자를 위한 주요 장점:

• 확률론적 해석: 공분산 $P_k$, $Q_k$, $R_k$는 모델 및 측정 불확실성을 고려합니다.
• 재귀성: 반복 알고리즘은 실시간 시스템(DSP, 임베디드)에 적합합니다.
• 최적성: 가우시안 잡음 하에서 평균 제곱 추정 오차를 최소화합니다.
• 확장성: 비선형 경우(EKF/UKF)에 쉽게 적용 가능합니다.

핵심 요약

• 칼만 필터는 가법 잡음을 갖는 선형 시스템에 대한 최적 확률론적 관측자와 동등합니다.
• 보정 항 $K'_k$는 혁신 $\vec{z}_k - H_k \hat{x}_k$를 최소화하여 모델이 현실과 동기화되도록 보장합니다.
• 전기 모터 적용: 물리적 속도 센서 없이 전류/전압 기반 가상 회전속도계.
• 확률론적 설정에서 관측 문제는 필터링 문제와 동일하며, 칼만 필터는 베이지안 재귀의 특수한 경우입니다.

— Editorial Team