YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
확장 칼만 필터가 로봇 공학, 자율 주행 차량 및 센서 융합에서 비선형 시스템에 대한 정확한 상태 추정을 어떻게 가능하게 하는지 알아보세요.
확장 칼만 필터(EKF)는 비선형 시스템에서 상태 추정에 사용되는 강력한 알고리즘입니다. 표준 칼만 필터(KF)의 고급 버전이며 로봇 공학, 내비게이션 및 컴퓨터 비전(CV)과 같은 분야에서 널리 사용됩니다. EKF의 주요 목표는 잡음이 있는 센서 측정값과 시간에 따른 시스템 움직임에 대한 수학적 모델을 결합하여 시스템의 현재 상태에 대한 정확한 추정치를 생성하는 것입니다. 이 프로세스를 통해 센서 데이터가 불완전하거나 간헐적인 경우에도 동적 객체 또는 시스템을 더 부드럽고 안정적으로 추적할 수 있습니다.
선형 시스템용으로 설계된 표준 칼만 필터와 달리 EKF는 비선형 모델을 처리할 수 있습니다. 자동차나 사람의 움직임과 같은 실제 시스템은 완벽하게 선형 경로를 따르는 경우가 드뭅니다. EKF는 선형화라는 수학적 기술을 사용하여 이 문제를 해결합니다. 각 시간 단계에서 현재 상태 추정값 주변의 선형 시스템으로 비선형 시스템을 근사합니다. 이를 통해 표준 칼만 필터와 동일한 예측-업데이트 주기를 적용할 수 있습니다.
이 사이클은 다음과 같이 작동합니다.
이 주기를 지속적으로 반복함으로써 EKF는 시스템 상태에 대한 통계적으로 최적의 추정치를 제공하여 노이즈를 효과적으로 필터링하고 불확실성을 관리합니다.
인공 지능(AI) 환경에서 EKF는 센서 융합 및 객체 추적의 핵심 요소입니다. 딥러닝 모델(예: Ultralytics YOLO)은 단일 프레임에서 객체 탐지에 탁월하지만, 비디오 시퀀스에서 이러한 객체를 추적하려면 해당 움직임을 추정하고 미래 위치를 예측해야 합니다. 바로 이 부분에서 EKF가 뛰어난 성능을 발휘합니다.
YOLO 모델이 객체를 감지하면 해당 위치가 EKF에 측정값으로 입력됩니다. 그러면 EKF는 이 감지 결과를 내부 모션 모델과 결합하여 감지기가 몇 프레임 동안 실패하더라도 객체의 부드러운 추적을 유지합니다. 이 기능은 Ultralytics 모델에서 사용할 수 있는 track 모드에 필수적이며, 자율 주행 차량 및 스마트 감시 애플리케이션에서 강력한 추적을 가능하게 합니다. SORT (Simple Online and Realtime Tracking)와 같은 많은 최신 추적 알고리즘은 Kalman Filter를 핵심 모션 예측 구성 요소로 사용합니다.
EKF는 비선형 역학을 처리하는 능력이 뛰어나 다양한 분야에서 매우 유용하게 사용됩니다.
EKF(확장 칼만 필터)를 다른 필터링 기술과 구별하는 것이 중요합니다.
더욱 발전된 필터가 존재하지만, Extended Kalman Filter는 성능과 계산 효율성의 균형이 잘 맞기 때문에 많은 실제 머신러닝 및 로봇 공학 문제에 널리 사용되고 효과적인 선택으로 남아 있습니다.
