CHAPTER 42 / 상태 추정

칼만 필터: 보이지 않는 상태 추정

센서만으로 모든 상태를 직접 읽을 수는 없습니다.

핵심 정리

칼만 필터는 모델로 상태와 그 불확실성을 예측하는 단계와, 혁신값 y − Cx̂에 비례해 예측을 고치는 측정 갱신 단계를 번갈아 반복하는 재귀적 상태 추정기입니다. 센서에 비해 예측이 불확실하면 보정 이득이 커지고, 센서 잡음이 크다고 가정하면 이득이 작아집니다. 잡음 공분산은 데이터로 확인해야 할 가정이며 추정값이 옳다는 증거가 아닙니다.

x^k−=Ax^k−1+Buk−1,x^k=x^k−+Kk(yk−Cx^k−)\hat x_k^-=A\hat x_{k-1}+Bu_{k-1},\qquad \hat x_k=\hat x_k^-+K_k\left(y_k-C\hat x_k^-\right)
이번 강의의 목표

상태가 하나인 측정 갱신을 계산하고 잡음이 큰 센서에 작은 가중치를 주는 이유를 설명합니다.

관측기는 모델 예측을 측정값으로 보정합니다. 칼만 필터는 두 정보의 불확실성을 추정해 보정 정도를 정합니다.

앞 강의 다시 보기: 리카티 방정식 손으로 풀기: 2차 시스템의 LQR
상황부터 이해하기

먼저 그려 보기

카메라는 현재 카트 위치를 알려 줍니다. 위치 차이로 속도를 짐작할 수 있지만 잡음이 있으면 단순 미분값이 심하게 흔들립니다. 관측기는 모델 예측과 새 측정을 결합합니다.

핵심 개념

개념을 하나씩 연결하기

칼만 필터는 두 단계를 반복합니다. 먼저 모델과 알고 있는 입력으로 상태와 불확실성을 예측합니다. 그다음 예상 측정값과 새 센서값을 비교해 상태를 고칩니다. 센서보다 예측이 더 불확실할수록 보정을 크게 합니다. 분산은 오차의 퍼짐을, 공분산은 서로 다른 상태의 오차가 함께 변하는 관계까지 나타냅니다. 이 불확실성은 데이터에 맞춰 확인해야 할 가정이지 추정값이 정답이라는 선언이 아닙니다.

수식 읽는 법

Kf=P−P−+R,x^+=x^−+Kf(y−x^−)K_f=\frac{P^-}{P^-+R},\qquad\hat x^+=\hat x^-+K_f(y-\hat x^-)

예측 오차와 측정 오차가 독립인 1상태 직접 측정에서는 예측값을 측정값 쪽으로 옮깁니다. 전체 필터는 이 단계 전에 모델로 상태와 불확실성을 예측합니다.

기호의 뜻

x^−,x^+\hat x^-,\hat x^+
이번 측정으로 갱신하기 전과 후의 추정값
P−P^-
예측 오차의 분산, 상태 단위의 제곱
RR
측정 오차 분산, LQR의 입력 비용과 다름
KfK_f
이 1상태 예의 칼만 보정 가중치
yy
측정한 상태값

1상태 예제는 직접 측정과 서로 독립이며 평균이 0인 오차를 가정합니다. 전체 필터는 샘플 사이에서 불확실성도 갱신합니다. 실험실의 칼만 전용 강의에서는 추정을 따로 살펴보도록 제어에는 여전히 시뮬레이션의 실제 상태를 사용합니다.

숫자로 풀어 보는 예제

위치 예측과 센서값 합치기

  1. 위치를 10 m로 예측하고 오차 분산을 4 m²로 둡니다. 센서는 12 m를 보고하며 분산은 1 m²입니다.

    x^−=10,y=12,P−=4,R=1\hat x^-=10,\quad y=12,\quad P^-=4,\quad R=1
  2. 이 예에서는 센서가 더 정밀합니다. 예측에서 측정 쪽으로 차이의 80%만큼 이동합니다.

    Kf=4/(4+1)=0.8,x^+=10+0.8(12−10)=11.6 mK_f=4/(4+1)=0.8,\quad\hat x^+=10+0.8(12-10)=11.6\ \mathrm m
  3. 센서 분산을 16으로 키우고 예측값과 측정값은 유지하면 가중치는 0.2가 됩니다. 추정값은 10.4 m입니다. 작은 분산을 지정하는 것은 모델 가정이지 센서가 정확하다는 증거는 아닙니다.

    Kf=4/(4+16)=0.2,x^+=10.4 mK_f=4/(4+16)=0.2,\quad\hat x^+=10.4\ \mathrm m
더 자세한 설명과 모델의 가정
조금 더 자세히

먼저 예측하고 측정으로 보정하기

센서는 카트 위치와 막대 각도를 알려 주지만 두 속도를 직접 보고하지 않을 수 있습니다. 모델은 이전 추정값과 실제 인가 힘으로 다음 상태를 예측합니다. 필터는 예측 측정값과 실제 측정값의 차이인 혁신값으로 추정을 보정합니다. 필터는 두 번째 물리 제어기가 아니라 관측기입니다.

과정 공분산 Q는 운동 모델을 얼마나 불확실하게 보는지, 측정 공분산 R은 센서가 얼마나 시끄럽다고 가정하는지를 나타냅니다. Q에 비해 R을 키우면 보통 모델을 더 믿어 측정 잡음은 매끈해지지만 실제 변화 반영은 느려질 수 있습니다. 슬라이더 값은 시험할 가정이지 움직였다는 이유만으로 검증된 사실이 아닙니다.

조금 더 자세히

추정값과 실제값을 구분해 비교하기

이 시뮬레이터는 학습을 위해 실제 상태를 공개하므로 참 각도·잡음 측정값·필터 추정값을 함께 그릴 수 있습니다. 실제 장치에서는 숨은 참값을 보통 알 수 없으므로 별도 검증이나 보정된 센서가 필요합니다. 각도와 각속도를 모두 보세요. 각도가 매끈해도 속도 추정은 나쁠 수 있습니다.

Lab의 칼만 필터 전용 프리셋에서는 관측기가 표시된 추정값을 바꾸지만 기준 피드백은 기존에 사용 가능한 상태를 이용합니다. 다음 LQG 실험은 추정값을 통해 피드백을 닫으므로 관측기 조정이 실제 힘에 영향을 줍니다.

직접 확인하기

예제를 실험과 연결하기

실제 센서 잡음은 고정하고 가정한 R을 올리세요. 추정값이 더 매끄러워져도 실제 충격에 늦게 반응할 수 있습니다.

숨은 속도 추정하기
직접 해볼 실험

조작하기 전에 먼저 예측해 보세요.

  1. 예측시끄러운 센서를 덜 믿으면 어떻게 될까요?
  2. 한 가지 변경칼만 필터 전용 실행을 고정하고 잡음 시드를 유지한 채 가정한 센서 분산 R을 올리세요.
  3. 관찰측정·추정·참 각도와 추정 각속도를 비교하세요.
  4. 설명추정이 항상 더 정확하다고 단정하지 말고 매끈함과 지연의 절충을 설명하세요.
주의

칼만 추정값은 정답이 아닙니다. 잘못된 모델, 편향된 센서, 비가우시안 외란에서는 이상적 가정이 깨집니다.

이해 확인+

가정한 센서 분산 R을 올리면 무엇이 달라지나요?

전체 공분산 동역학에 따라 달라지지만, 모델 예측에 비해 측정을 덜 신뢰하는 방향으로 바뀝니다.
연습 문제

풀이를 열기 전에 직접 풀어 보세요

먼저 종이에 직접 풀어 보세요. 답을 열어 내 답과 비교하고, 과정이 필요하면 전체 풀이를 연 뒤 결과를 표시하세요.

  1. 온도 예측값이 20 °C이고 오차 분산은 9 K²입니다. 센서는 23 °C를 읽고 분산은 3 K²입니다. 칼만 가중치, 갱신된 추정값과 그 분산을 구하세요.

    답 보기

    답K_f = 0.75이고 추정값은 22.25 °C입니다. 분산은 2.25 K²로 줄어 두 정보 어느 하나만 쓸 때보다 작습니다.

    Kf=0.75,x^+=22.25 ∘C,P+=2.25 K2K_f=0.75,\qquad \hat x^+=22.25\ ^\circ\mathrm C,\qquad P^+=2.25\ \mathrm K^2
    전체 풀이 보기

    풀이

    1. 칼만 가중치를 구합니다.

      Kf=99+3=0.75K_f=\frac{9}{9+3}=0.75
    2. 측정값 쪽으로 차이의 75%만큼 이동합니다.

      x^+=20+0.75(23−20)=22.25\hat x^+=20+0.75(23-20)=22.25
    3. 1상태 갱신에서 분산은 1 − K_f배로 줄어듭니다.

      P+=(1−Kf)P−=0.25(9)=2.25<3<9P^+=(1-K_f)P^-=0.25(9)=2.25<3<9
  2. 샘플링된 1상태 모델이 아래와 같습니다. 직전 추정값은 x̂ = 4, 분산은 P = 1이고 적용한 입력은 u = 2입니다. 이어서 직접 측정값 5.0을 분산 0.5로 얻었습니다. 예측과 갱신을 수행하세요.

    xk+1=0.9xk+0.5uk+wk,Var⁡wk=0.2x_{k+1}=0.9x_k+0.5u_k+w_k,\qquad \operatorname{Var}w_k=0.2
    답 보기

    답예측 단계에서 x̂⁻ = 4.6, P⁻ = 1.01입니다. 갱신 단계에서 K_f ≈ 0.669, x̂⁺ ≈ 4.87, P⁺ ≈ 0.334입니다.

    x^−=4.6, P−=1.01;Kf≈0.669, x^+≈4.87, P+≈0.334\hat x^-=4.6,\ P^-=1.01;\qquad K_f\approx0.669,\ \hat x^+\approx4.87,\ P^+\approx0.334
    전체 풀이 보기

    풀이

    1. 모델과 알고 있는 입력으로 상태를 예측합니다.

      x^−=0.9(4)+0.5(2)=4.6\hat x^-=0.9(4)+0.5(2)=4.6
    2. 분산을 예측합니다. 모델이 이전 불확실성에 0.9²을 곱하고 공정 잡음이 0.2를 더합니다.

      P−=0.92(1)+0.2=1.01P^-=0.9^2(1)+0.2=1.01
    3. 측정값으로 갱신합니다.

      Kf=1.011.01+0.5≈0.669,x^+=4.6+0.669(5.0−4.6)≈4.87K_f=\frac{1.01}{1.01+0.5}\approx0.669,\qquad \hat x^+=4.6+0.669(5.0-4.6)\approx4.87
    4. 갱신된 분산을 구합니다. 다음 주기의 예측은 4.87과 0.334에서 시작합니다.

      P+=(1−0.669)(1.01)≈0.334P^+=(1-0.669)(1.01)\approx0.334
  3. 시험 수준 문제입니다. 천천히 변하는 센서 오프셋을 공정 분산 Q = 1인 랜덤 워크 x_{k+1} = x_k + w_k로 모델링하고, 잡음 분산 R = 4로 직접 측정합니다. (a) P₀ = 10에서 시작해 처음 몇 샘플의 칼만 가중치를 계산하세요. (b) 정상상태의 예측 분산과 가중치를 해석적으로 구하세요. (c) 정상상태 필터를 고정된 갱신식으로 쓰고 그 뜻을 설명하세요.

    답 보기

    답(a) K ≈ 0.733, 0.496, 0.427, 0.404, 0.395, 0.392, …입니다. (b) P⁻ = (1 + √17)/2 ≈ 2.56이고 K∞ ≈ 0.390입니다. (c) x̂ ← x̂ + 0.39(y − x̂)입니다. 이전 추정값의 61%를 남기고 새 측정값의 39%를 받아들이는 지수 평균입니다.

    P∞−=1+172≈2.56,K∞≈0.390P^-_\infty=\frac{1+\sqrt{17}}{2}\approx2.56,\qquad K_\infty\approx0.390
    전체 풀이 보기

    풀이

    1. 샘플마다 P⁻ = P + Q로 예측하고, K = P⁻/(P⁻ + R)로 가중치를 구한 뒤, P = (1 − K)P⁻로 갱신합니다.

      P1−=11, K1=1115≈0.733, P1≈2.93;K2≈0.496, K3≈0.427, …P^-_1=11,\ K_1=\tfrac{11}{15}\approx0.733,\ P_1\approx2.93;\qquad K_2\approx0.496,\ K_3\approx0.427,\ \ldots
    2. 정상상태에서는 예측 분산이 반복됩니다. 갱신식을 다음 예측식에 대입합니다.

      P−=P−RP−+R+Q ⇒ (P−)2−QP−−QR=0P^-=\frac{P^-R}{P^-+R}+Q\ \Rightarrow\ (P^-)^2-QP^--QR=0
    3. 양의 근을 택합니다.

      P−=1+1+162≈2.562,K∞=2.5622.562+4≈0.390P^-=\frac{1+\sqrt{1+16}}{2}\approx2.562,\qquad K_\infty=\frac{2.562}{2.562+4}\approx0.390
    4. 극한값은 Q와 R에만 의존하므로 가중치는 P₀와 관계없이 수렴합니다. Q에 비해 R이 크면 K∞가 작아져 더 많이 평활하지만, 오프셋이 실제로 갑자기 바뀌면 더 느리게 따라갑니다.

답을 확인한 뒤 문제마다 결과를 표시하세요. 표시는 이 브라우저에만 저장됩니다.

핵심 용어

이 강의에서 배우는 용어

용어집 전체 보기 →
질문과 답

자주 묻는 질문

칼만 필터에서 Q와 R 행렬은 무엇을 뜻하나요?

과정 공분산 Q는 운동 모델을 얼마나 불확실하게 보는지, 측정 공분산 R은 센서 잡음을 얼마나 크다고 가정하는지를 나타냅니다. Q에 비해 R을 키우면 모델을 더 믿게 되어 잡음이 섞인 측정값이 매끄러워지지만, 실제 변화에는 더 느리게 반응합니다. 같은 글자를 쓰는 LQR의 비용 가중치와는 다른 양입니다.

칼만 갱신에서 잡음이 큰 센서는 왜 가중치를 적게 받나요?

상태가 하나인 갱신에서 가중치는 P⁻/(P⁻ + R)입니다. 예측 분산이 4 m²일 때 분산이 1 m²인 센서는 0.8의 가중치를 받지만 분산이 16 m²인 센서는 0.2만 받으므로, 추정값이 잡음이 큰 측정값 쪽으로 덜 움직입니다.

칼만 추정값은 센서만 쓸 때보다 정확한가요?

모델과 잡음 가정이 맞으면 그럴 수 있습니다. 분산이 4 m²인 예측과 분산이 1 m²인 측정을 결합하면 갱신 후 분산은 0.8 m²로 둘 다보다 작습니다. 모델이 틀렸거나 센서가 편향되었거나 외란이 가우시안이 아니면 추정값이 어느 쪽보다도 나쁠 수 있습니다.

칼만 필터는 제어기인가요?

아닙니다. 칼만 필터는 관측기로서 모델·알고 있는 입력·측정값으로 상태를 추정할 뿐 입력을 정하지 않습니다. 그 추정값을 상태 피드백 이득으로 되먹이는 것은 별도의 단계이며, LQG가 바로 그 일을 합니다.

다음 강의로 이어가기

이제 LQR 제어기에 칼만 상태 추정을 연결할 수 있습니다. 그 조합이 LQG입니다.

학습 진도

본문과 연습 문제를 마쳤다면 완료로 표시하세요. 강의계획에 완료 표시가 나타나며 진도는 이 브라우저에만 저장됩니다.

EIGENROOM · https://eigenroom.com/ko/theory/kalman · 갱신 2026-11-15