Kalman Filter (KF)

**칼만 필터(Kalman Filter, KF)**는 시간이 지남에 따라 동적 시스템의 상태를 추정하는 데 사용되는 재귀적 수학 알고리즘입니다. 루돌프 E. 칼만(Rudolf E. Kálmán)이 처음 소개한 이 기법은 종종 '노이즈'라고 불리는 불확실하고 부정확하거나 무작위적인 변동이 포함된 데이터를 처리하는 데 필수적입니다. 시간에 따라 관측된, 통계적 부정확성을 포함하는 일련의 측정값을 결합함으로써, 칼만 필터는 단독 측정값에 기반한 것보다 더 정확한 미지의 변수 추정값을 생성합니다. 머신러닝(ML) 및 인공지능(AI) 분야에서 이 필터는 불규칙한 데이터 포인트를 평탄화하여 진정한 기저 트렌드를 드러내는 예측 모델링을 위한 핵심 도구 역할을 합니다.

Kalman Filter의 작동 원리#

이 알고리즘은 **예측(prediction)**과 업데이트(update)(보정이라고도 함)의 2단계 주기로 작동합니다. 기저 시스템이 선형이고 노이즈가 가우스 분포(종 모양 곡선)를 따른다고 가정합니다.

1. 예측: 필터는 물리적 모델을 사용하여 현재 상태를 미래로 투영합니다. 예를 들어, 객체가 일정한 속도로 이동하는 경우 필터는 표준 운동학 방정식에 기반하여 다음 위치를 예측합니다. 이 단계에서는 해당 예측과 관련된 불확실성도 추정합니다.

2. 업데이트: 센서로부터 새로운 측정값이 들어오면, 필터는 예측된 상태와 관측된 데이터를 비교합니다. **칼만 이득(Kalman Gain)**에 의해 결정되는 가중 평균을 계산하며, 이는 불확실성이 더 낮은 값(예측 또는 측정)에 더 많은 신뢰를 부여합니다. 그 결과 다음 주기의 기준선 역할을 하는 정제된 상태 추정값이 생성됩니다.

컴퓨터 비전 및 AI 분야에서의 활용#

제어 이론과 항공우주 항법에 뿌리를 두고 있지만, 현재 칼만 필터는 현대의 컴퓨터 비전(CV) 파이프라인에서 보편적으로 사용되고 있습니다.

• 객체 추적: 이는 가장 흔한 사용 사례입니다. YOLO26과 같은 감지 모델이 비디오 프레임에서 객체를 식별하면 정적 스냅샷이 제공됩니다. 움직임을 이해하기 위해 BoT-SORT 같은 트래커는 칼만 필터를 활용하여 프레임 간의 감지 결과를 연결합니다. 객체가 일시적으로 가려지면(시야에서 차단됨), 필터는 객체의 이전 속도를 사용하여 위치를 예측함으로써 시스템이 "트랙"을 잃거나 ID를 전환하는 것을 방지합니다.
• 로보틱스에서의 센서 융합: 로보틱스 분야에서 기계는 노이즈가 있는 여러 센서를 사용하여 주행해야 합니다. 배달 로봇은 GPS(드리프트 발생 가능), 휠 엔코더(슬립 발생 가능), IMU(노이즈 발생)를 사용할 수 있습니다. 칼만 필터는 이러한 이질적인 입력들을 융합하여 주행을 위한 단일의 신뢰할 수 있는 좌표를 제공하며, 이는 안전한 자율주행 차량 운영에 필수적입니다.

관련 개념 구분#

표준 칼만 필터를 통계적 AI에서 볼 수 있는 변형 및 대안과 구별하는 것은 유익합니다:

• 칼만 필터 대 확장 칼만 필터(EKF): 표준 KF는 시스템이 선형 방정식(직선)을 따른다고 가정합니다. 하지만 드론이 선회하는 것과 같은 현실 세계의 움직임은 종종 비선형입니다. EKF는 각 단계에서 도함수를 사용하여 시스템 역학을 선형화함으로써 이를 해결하며, 복잡한 궤도에 적합하게 만듭니다.
• 칼만 필터 대 파티클 필터: KF가 가우스 가설에 의존하는 반면, 파티클 필터는 확률 분포를 나타내기 위해 일련의 무작위 샘플(파티클)을 사용합니다. 파티클 필터는 비가우스 노이즈에 대해 더 유연하지만 상당히 많은 연산 능력이 필요하며, 잠재적으로 실시간 추론 속도에 영향을 미칠 수 있습니다.

구현 예시#

Ultralytics 생태계에서 칼만 필터는 추적 알고리즘에 직접 통합되어 있습니다. 수동으로 방정식을 작성할 필요가 없으며, 추적 모드를 활성화하여 이를 활용할 수 있습니다. Ultralytics 플랫폼을 사용하면 이러한 추적 기능과 함께 쉽게 배포할 수 있는 데이터셋을 관리하고 모델을 학습할 수 있습니다.

다음은 Ultralytics YOLO26을 사용하여 추적을 수행하는 간결한 Python 예시입니다. 여기서는 기본 추적기가 칼만 필터링을 자동으로 적용하여 바운딩 박스의 움직임을 부드럽게 만듭니다:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run tracking on a video source
# The 'botsort' tracker uses Kalman Filters internally for state estimation
results = model.track(source="traffic_video.mp4", tracker="botsort.yaml")

# Process results
for result in results:
    # Access the tracked IDs (assigned and maintained via KF logic)
    if result.boxes.id is not None:
        print(f"Tracked IDs in frame: {result.boxes.id.cpu().numpy()}")

데이터 품질의 중요성#

실제 배포 환경에서 데이터가 완벽한 경우는 드뭅니다. 카메라는 모션 블러를 겪고 센서는 신호 노이즈를 경험합니다. 칼만 필터는 의사결정 루프 내에서 정교한 데이터 정제 메커니즘 역할을 합니다. 지속적인 추정치 정제를 통해, 입력 스트림의 모든 순간적인 결함에 반응하는 대신 AI 에이전트가 가장 가능성이 높은 현실에 기반하여 작동하도록 보장합니다. 이러한 신뢰성은 공항 운영 모니터링부터 정밀한 산업 자동화에 이르기까지 안전이 극도로 중요한 응용 분야에서 가장 중요합니다.