비선형성 하의 칼만 필터 NEES/NIS 진단

## 비선형성과 비가우스 노이즈 하에서의 칼만 필터 진단: KF, UKF 및 파티클 필터의 NEES/NIS 분석

칼만 필터는 항법, 로보틱스, 신호 처리 작업에서 상태 추정을 위한 기본 도구로 여전히 자리 잡고 있습니다. 그러나 고전적인 형태는 선형 동역학과 가우스 노이즈를 가정하는데, 이는 실제 시스템에서 거의 충족되지 않는 조건입니다. 이 기사는 이러한 가정이 위배될 때 세 가지 인기 있는 접근법—선형 칼만 필터(KF), 언스센티드 칼만 필터(UKF), 파티클 필터(PF)—의 성능을 살펴보고, 이들의 성능을 객관적으로 평가할 수 있는 메트릭스를 분석합니다.

가우스성의 중요성—그리고 필수적이지 않은 경우

칼만 필터는 선형-가우스 환경에서만 평균 제곱 오차를 최소화하는 최적의 필터입니다. 이는 정규 분포의 두 가지 핵심 속성에서 비롯됩니다: 아핀 변환에 대한 닫힘 성질과 베이즈 업데이트에서 가능도와의 공액성입니다. 가우스성이 위배되면 이러한 속성이 상실되지만, 평균과 공분산에 대한 재귀 계산은 여전히 계산적으로 처리 가능합니다. 그 결과 KF는 계속 작동하지만 추정값은 더 이상 최적이 아니며 공분산 행렬이 실제 불확실성을 정확히 반영하지 못할 수 있습니다.

실제로는 필터의 추정값에 대한 과도한 자신감 또는 부족한 자신감으로 나타나며, 이는 의사결정 시스템에서 특히 치명적입니다. 예를 들어 측정값에 이상치가 있을 때 KF는 "막히기" 시작해 진짜 궤도에서 벗어나 발산할 수 있지만, 적응형 방법들은 견고성을 유지합니다.

실험 설정: 2×2 팩토리얼 디자인

체계적인 분석을 위해 NumPy와 SciPy만 사용한 Python 시뮬레이터를 구현했습니다. 이 구조는 실험의 순수성을 보장합니다: 필터들은 진짜 상태에 접근하지 않고 노이즈가 섞인 측정값만 받습니다.

시뮬레이션 시나리오는 완전 팩토리얼 실험으로 구성되었습니다:

• 선형 동역학 + 가우스 노이즈—기준 케이스.
• 선형 동역학 + 비가우스 노이즈—이상치에 대한 견고성 검사.
• 비선형 동역학 + 가우스 노이즈—비선형성 처리 테스트.
• 비선형 동역학 + 비가우스 노이즈—모든 알고리즘에 대한 스트레스 테스트.

비선형 모델은 효과를 증폭하도록 특별히 설계되었습니다:

x₁[k+1] = x₁[k] + x₂[k] + 0.5·sin(x₁[k])
x₂[k+1] = 0.8·x₂[k] + 0.2·cos(x₁[k])

측정값에는 이차 종속성이 포함되어 y₂ = x₂² + η₂이며, 이는 속도 부호에 대한 정보를 잃고 국소적 쌍봉성을 만듭니다.

프로세스 노이즈는 가우스 혼합(배경 + 이상치)으로 모델링되었으며, 측정 노이즈는 무거운 꼬리를 가진 라플라스 분포로 설정했습니다.

평가 메트릭: RMSE, NEES, NIS

포괄적인 평가를 위해 세 가지 메트릭스를 사용했습니다:

• RMSE (Root Mean Square Error)—전체 정확도 측정치지만 불확실성 일관성에 대한 정보는 부족합니다.
• NEES (Normalized Estimated Error Squared)—경험적 오차가 예측된 공분산과 얼마나 잘 맞는지 보여줍니다. 올바른 필터의 경우 NEES는 자유도 n(상태 차원)인 χ² 분포를 따라야 합니다.
• NIS (Normalized Innovation Squared)—기본 진리 없이 운영 모드에서 NEES의 대응물입니다. 혁신(측정값과 예측값 간 차이)을 기반으로 합니다.

결과는 다음과 같았습니다:

• 선형-가우스 케이스에서 모든 필터는 유사한 RMSE 값을 보였으며 NEES는 χ² 신뢰 구간 내에 있었습니다.
• 비가우스 노이즈에서 KF는 기능을 유지하지만 NEES가 체계적으로 한계를 초과해 불확실성 저평가를 나타냈습니다.
• UKF는 비선형성을 더 잘 처리하지만 가우스 가정을 유지해 비가우스 측정 노이즈에 민감합니다.
• PF는 모든 시나리오, 특히 다봉성과 무거운 꼬리 노이즈에서 가장 우수한 NEES 일관성을 보였습니다.

필터 선택을 위한 실용적 권고사항

실험 결과를 바탕으로 다음과 같은 권고를 할 수 있습니다:

• KF 사용: 시스템이 선형에 가깝고 노이즈가 가우스성에서 약간만 벗어나는 경우(예: 약한 이상치). 최소 계산 비용을 보장합니다.
• UKF로 전환: 비선형성이 크지만 노이즈가 가우스성 또는 거의 가우스인 경우. UKF는 차원 증가 없이 비선형 변환을 효과적으로 근사합니다.
• PF 선택: 노이즈가 명확히 비가우스(이상치, 다봉성)이거나 관측 가능성이 손상된 경우(예: 이차 측정). 단점: 높은 계산 복잡도와 파티클 고갈 위험.

실제 시스템에서는 NIS를 정기적으로 모니터링하는 것이 중요합니다: χ² 임계값을 지속적으로 초과하면 노이즈 모델을 수정하거나 더 유연한 필터로 전환할 필요가 있습니다.

주요 요약

• 칼만 필터는 비가우스 노이즈 하에서 "고장" 나지 않지만 최적성과 일관성을 잃습니다.
• NEES는 시뮬레이션에서 필터 검증의 핵심 메트릭; NIS는 실시간 진단용입니다.
• UKF는 비선형성을 보상하지만 비가우스성을 해결하지 못합니다.
• 파티클 필터는 가장 다재다능하지만 세심한 튜닝과 상당한 자원이 필요합니다.
• 비선형성과 비가우스 노이즈의 조합은 모든 접근법에 가장 큰 도전을 줍니다.

— Editorial Team