도심 협곡 GPS를 위한 강건 변분 베이즈 UKF: 스튜던트 t-분포를 활용한 이상치 제거
도심 협곡에서 GPS 신호는 다중경로 전파와 신호 차단으로 인해 가상거리(pseudoranges)에 이상치가 발생합니다. 고전적인 가우시안 노이즈 기반 Fusion UKF는 정확도가 떨어지지만, 변분 베이즈 Fusion UKF는 노이즈를 스튜던트 t-분포로 모델링합니다. 스케일 매개변수의 반복 추정을 통해 이상 측정값을 자동으로 가중치를 낮춰 처리합니다. 시뮬레이션 결과, 기본 UKF 대비 위치 RMSE가 50% 이상 감소했습니다.
노이즈 모델 교체와 센서 융합을 통한 강건성
고전적인 칼만 필터는 가우시안 가법 노이즈를 가정하지만, 실제 GPS 이상치는 꼬리가 무거운 분포를 보입니다. 스튜던트 t-분포로 전환하면 잔차에 따라 측정값의 가중치를 부여합니다: 큰 오차는 낮은 가중치를 받아 궤적 왜곡을 방지합니다.
가중치는 $w = \frac{\nu + m}{\nu + d^2}$로 계산되며, 여기서 $\nu$는 자유도, $m$은 측정 차원, $d^2$는 마할라노비스 거리의 제곱입니다. 낮은 $\nu$ (예: 2)에서는 이상치에 대해 가중치가 급격히 떨어지고, 높은 $\nu$ ($\nu \to \infty$)에서는 가우시안에 근접합니다.
센서 융합은 GPS와 관성 데이터(IMU)를 결합합니다. VB 접근법에서는 각 센서의 공분산 행렬 $R_i$를 랜덤 변수로 반복 추정하여 동적 신뢰 재배분을 가능하게 합니다.
GPS 이상 발생 시 VB-UKF는 $R_{GPS}$ 분산을 확대시켜 그 영향력을 줄이고, 신호가 안정될 때까지 IMU에 의존합니다.
구현 시 안전장치
# 1. 모델 불일치 방지를 위해 lambda를 1로 제한
if self.cap_lambda_to_1:
lamvec = np.minimum(lamvec, 1.0)
# 2. 0으로 나누기 방지
lamvec = np.clip(lamvec, self.lambda_clip[0], self.lambda_clip[1])이러한 클리핑은 가중치 >1 (물리적으로 불가능)과 극단 이상치로 인한 NaN을 방지합니다.
계산 복잡도와 트레이드오프
고전 UKF는 비선형 근사를 위해 2n+1 시그마 포인트를 사용하며, 행렬 역행렬로 $O(n^3)$ 복잡도를 가집니다. VB-UKF는 스튜던트 t 후방분포를 가우시안으로 근사하기 위해 변분 베이즈 추론 반복을 추가합니다.
변분 추론은 진짜 후방분포와 근사 사이의 KL 발산을 최소화하며, 스텝당 5–10 반복으로 수렴합니다. 이는 파티클 필터($O(N_p n^2)$, $N_p \gg 2n$)보다 효율적이고, 일반 UKF보다 강건한 최적 지점입니다.
100Hz 동역학을 가진 임베디드 시스템의 실시간 스트리밍에 적합합니다.
시뮬레이션 설정: CTRV 궤적
동역학 모델: 도심 협곡에서 기동하는 차량을 위한 상수 회전율 및 속도(CTRV):
- 상태: $[x, y, v, \psi, \dot{\psi}]^T$
- GPS 측정: $[x_{gps}, y_{gps}]$ (이상치 포함)
- IMU: 가속도계, 자이로스코프
매개변수:
- 기본 GPS 노이즈: $\sigma_{gps} = 3$ m
- 이상치: 5–10% 확률로 50–100 m 점프
- $\nu = 4$ (균형 잡힌 민감도)
- 시뮬레이션: 1000초, 10Hz 주파수
데이터 구조: 타임스탬프 버퍼링 측정값, 5차원 상태 벡터.
시뮬레이션 결과
궤적과 RMSE
회전과 이상치가 포함된 궤적에서 고전 UKF는 20–50m 드리프트가 발생하지만, VB-UKF는 오차를 10m 이내로 유지합니다. 위치 RMSE: 7.2m (VB) vs 18.5m (Fusion UKF).
VB-UKF의 NIS(정규화 혁신 제곱)는 $\chi^2$ 분포와 일치하여 노이즈 모델링이 올바름을 확인합니다.
가중치 적응
VB 메커니즘은 $d^2 > \nu$일 때 GPS 가중치를 동적으로 낮춥니다: 플롯에서 이상치 후 2–3 스텝 만에 1에서 0.1로 하락하고, 5 스텝 내 회복합니다.
과도 응답
이상치 후 VB-UKF는 10–20 스텝 내 궤적을 회복하나, 기본 UKF는 50+ 스텝이 필요합니다. 적응형 $R$이 전환을 부드럽게 합니다.
주요 요약
- VB-UKF는 스튜던트 t와 반복 $R$ 추정을 통해 GPS 이상치에서 RMSE를 절반으로 줄입니다.
- 휴리스틱 없이 동적 센서 가중치: GPS/IMU 우선순위가 베이즈식으로 전환됩니다.
- 계산 비용: 스텝당 5–10 반복, 실시간에 적합.
- $\nu$로 튜닝: 2–4로 공격적 강건성, 10 이상으로 가우시안 유사.
- NIS/NEES로 모델 일관성 검증.
— Editorial Team
아직 댓글이 없습니다.