Extended Kalman Filter (EKF)

**확장 칼만 필터(Extended Kalman Filter, EKF)**는 비선형적으로 동작하는 동적 시스템의 상태를 추정하기 위해 설계된 강력한 수학적 알고리즘입니다. 표준 칼만 필터(Kalman Filter, KF)는 직선으로 이동하거나 단순한 선형 방정식을 따르는 시스템에 대해 최적의 솔루션을 제공하지만, 현실 세계의 물리학은 그렇게 예측하기 쉬운 경우가 드뭅니다. 풍력 저항에 맞서는 드론이나 여러 축에서 회전하는 로봇 팔과 같은 대부분의 물리적 객체는 곡선 또는 복잡한 경로를 따릅니다. EKF는 특정 시점에서 시스템의 선형 근사치를 생성하여 이러한 복잡성을 해결하며, 이를 통해 엔지니어와 데이터 과학자는 기본 역학이 복잡할 때도 예측 모델링 작업에 효율적인 필터링 기술을 적용할 수 있습니다.

Link to this section메커니즘 및 선형화#

복잡한 역학을 처리하기 위해 EKF는 선형화라고 하는 수학적 프로세스를 사용하며, 이는 기본적으로 현재 작동 지점에서 함수의 기울기를 추정합니다. 여기에는 시스템이 짧은 간격 동안 어떻게 변하는지 근사하기 위해 야코비 행렬(Jacobian matrix)을 계산하는 과정이 포함되는 경우가 많습니다. 이 알고리즘은 예측과 업데이트라는 두 가지 주요 단계로 구성된 재귀 루프에서 작동합니다. 예측 단계에서 필터는 물리적 운동 모델을 사용하여 현재 상태를 앞으로 투영합니다. 업데이트 단계에서는 자이로스코프나 가속도계와 같은 센서에서 얻은 새롭고 종종 노이즈가 섞인 데이터를 사용하여 이 투영을 보정합니다. 이러한 연속적인 예측 및 보정 주기는 데이터 노이즈를 줄이고 단일 센서만 사용할 때보다 더 부드럽고 정확한 진정한 상태 추정치를 제공하는 데 도움을 줍니다.

Link to this section컴퓨터 비전에서의 관련성#

컴퓨터 비전(CV) 영역에서 확장 칼만 필터는 이동하는 객체의 동일성을 유지하는 데 중요한 역할을 합니다. YOLO26과 같은 고급 모델은 단일 프레임에서 객체를 감지하는 데 탁월하지만, 시간 경과에 따른 움직임의 연속성을 본질적으로 이해하지는 못합니다. EKF 또는 이와 유사한 로직을 통합함으로써 객체 추적 시스템은 이전 속도와 궤적을 기반으로 다음 비디오 프레임에 바운딩 박스(bounding box)가 어디에 나타날지 예측할 수 있습니다. 이는 객체가 일시적으로 시야에서 가려지는 폐색(occlusion) 상황을 처리하는 데 특히 유용합니다. 필터는 객체가 다시 보일 때까지 위치를 추정하여 "추적"을 유지하며, 이는 강력한 다중 객체 추적(MOT)에 필수적인 기술입니다.

Link to this section실제 애플리케이션 사례#

EKF의 다재다능함은 머신 러닝(ML)이 물리적 하드웨어와 교차하는 다양한 첨단 산업에서 핵심 기술로 자리 잡게 했습니다:

• 자율 주행 자동차: 자율 주행 자동차는 안전하게 주행하기 위해 센서 융합(sensor fusion)에 의존합니다. EKF는 GPS(Global Positioning System), LiDAR, 레이더로부터의 서로 다른 데이터 스트림을 병합하여 도로 위에서 차량의 정확한 위치와 방향을 계산하며, 신호 단절이나 환경 노이즈를 보정합니다.
• 로봇 공학(Robotics): 비정형 환경에서 작동하는 로봇은 SLAM(Simultaneous Localization and Mapping) 알고리즘을 사용합니다. EKF는 로봇이 실내 지도를 작성하는 동시에 지도 내에서 자신의 위치를 파악하도록 돕고, 바퀴 미끄러짐이나 센서 드리프트를 보정하여 정확한 이동을 보장합니다.
• 자세 추정(Pose Estimation): 가상 현실이나 스포츠 분석과 같은 애플리케이션에서 인간의 관절을 추적하려면 불안정한 키포인트를 부드럽게 처리해야 합니다. EKF 알고리즘은 딥러닝 모델의 출력을 정교화하여 동작 인식(action recognition) 시스템을 위한 유연하고 자연스러운 모션 애니메이션을 생성합니다.

Link to this section관련 개념과의 비교#

확장 칼만 필터의 특정 용도를 이해하기 위해 관련 필터링 방법과 구별하는 것이 도움이 됩니다:

• EKF와 칼만 필터(KF) 비교: 표준 KF는 수학적으로 최적이고 계산 비용이 저렴하지만 시스템이 고도로 비선형적일 때 실패합니다. EKF는 근사를 통해 비선형 시스템에서도 작동하도록 KF를 확장한 것입니다.
• EKF와 파티클 필터(Particle Filter) 비교: 파티클 필터는 확률을 나타내기 위해 많은 무작위 샘플(파티클)을 사용하여 비선형성과 비가우시안 노이즈를 매우 잘 관리합니다. 그러나 상당한 계산 능력을 요구하므로, 자원이 제한된 임베디드 시스템에서는 EKF가 선호됩니다.
• EKF와 무향 칼만 필터(Unscented Kalman Filter, UKF) 비교: 무향 칼만 필터(Unscented Kalman Filter)는 결정론적 샘플링 포인트를 사용하여 EKF에 필요한 복잡한 미적분 없이도 비선형성을 처리하는 중간 지점을 제공하지만, 여전히 많은 제어 시스템에서 EKF가 업계 표준으로 자리 잡고 있습니다.

Link to this section구현 예시#

ultralytics 패키지 내의 추적 알고리즘은 내부적으로 칼만 필터링 개념을 사용하여 궤적을 부드럽게 하고 프레임 간의 감지 결과를 연결합니다. 하이레벨 도구를 사용할 때 EKF 행렬 수학을 직접 코딩하지는 않지만, 이것이 트래커를 구동한다는 점을 이해하면 Ultralytics Platform의 매개변수를 구성하는 데 도움이 됩니다.

다음은 상태 추정을 위해 이러한 필터링 기술을 활용하는 YOLO 모델과 함께 트래커를 시작하는 방법입니다:

from ultralytics import YOLO

# Load the latest YOLO26 model (nano version for speed)
model = YOLO("yolo26n.pt")

# Track objects in a video source
# Trackers like BoT-SORT or ByteTrack use Kalman filtering logic internally
results = model.track(source="https://ultralytics.com/images/bus.jpg", tracker="botsort.yaml")

# Print the ID of the tracked objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.numpy()}")