칼만 필터 (KF)

칼만 필터(KF)는 일련의 불완전하고 노이즈가 많은 측정값에서 동적 시스템의 상태를 추정하는 데 사용되는 강력한 알고리즘입니다. Rudolf E. Kálmán이 개발했으며 원래 목적은 항공 우주에서의 항법이었지만 이후 로봇 공학, 경제학, 특히 컴퓨터 비전(CV)을 포함한 많은 분야에서 기본이 되었습니다. 필터는 2단계 주기로 작동합니다. 먼저 시스템의 미래 상태와 해당 예측의 불확실성을 예측한 다음 새로운 측정값을 통합하여 추정치를 업데이트합니다. 이 프로세스를 통해 센서 데이터가 부정확하더라도 위치 및 속도와 같은 객체의 상태에 대한 부드럽고 정확한 추정치를 생성할 수 있습니다.

AI 및 컴퓨터 비전에서 칼만 필터 작동 방식

AI 환경에서 칼만 필터는 객체 추적에 가장 많이 사용됩니다. Ultralytics YOLO와 같은 객체 탐지 모델이 프레임에서 객체를 식별한 후 칼만 필터는 다음 프레임에서 해당 객체의 위치를 예측하는 데 사용됩니다. 이 예측은 일반적으로 일정한 속도 또는 일정한 가속도를 가정하는 모션 모델을 기반으로 합니다.

다음 프레임이 도착하면 감지 모델은 새로운 측정값(예: 새로운 바운딩 박스 좌표)을 제공합니다. 그런 다음 Kalman Filter는 이 새로운 데이터를 기반으로 초기 예측을 수정하는 "업데이트" 단계를 수행합니다. 이 프로세스는 다음과 같은 여러 가지 이유로 매우 효과적입니다.

• 노이즈 감소: 불안정한 객체 감지를 완화하여 더욱 안정적인 추적 경로를 제공합니다.
• 폐색 처리: 감지기가 몇 프레임 동안 객체를 감지하지 못하는 경우(예: 자동차가 나무 뒤로 가는 경우) 필터는 해당 위치를 계속 예측하여 추적기가 객체가 다시 나타날 때 객체를 다시 식별할 수 있습니다.
• 상태 추정: 현재 위치를 넘어 속도를 포함하여 객체의 상태에 대한 보다 포괄적인 이해를 제공합니다. 자세한 내용은 이 상세한 칼만 필터 시각적 소개에서 핵심 개념에 대해 자세히 알아볼 수 있습니다.

필터의 측정값을 재귀적으로 처리하는 기능은 계산 효율성을 높이고 실시간 추론에 이상적입니다. SORT(Simple Online and Realtime Tracking) 및 ByteTrack과 같이 널리 사용되는 많은 추적 알고리즘은 칼만 필터를 핵심 동작 예측 구성 요소로 사용합니다. YOLO11과 같은 Ultralytics 모델은 추적 모드에서 이러한 추적기를 활용합니다.

실제 애플리케이션

칼만 필터는 수많은 최신 시스템에 필수적입니다. 몇 가지 예는 다음과 같습니다.

1. 자율 주행 차량: 자율 주행 차량에서 칼만 필터는 센서 융합에 필수적입니다. 카메라, GPS, LiDAR 및 IMU와 같은 다양한 센서의 데이터는 모두 노이즈가 많고 업데이트 속도가 다릅니다. 필터는 이 데이터를 결합하여 차량의 위치, 속도 및 도로에 있는 다른 객체의 궤적에 대한 단일하고 매우 정확하며 신뢰할 수 있는 추정치를 생성합니다. 이는 자동차 솔루션의 AI에서 안전한 내비게이션 및 의사 결정에 매우 중요합니다.
2. 스마트 감시를 위한 보행자 추적: 보안 시스템은 공공 장소를 모니터링하기 위해 객체 추적을 자주 사용합니다. YOLO 모델이 보행자를 감지한 후 칼만 필터 기반 추적기는 각 사람에게 고유한 ID를 할당하고 카메라 뷰 전체에서 추적합니다. 이를 통해 자동 객체 계산, 이상 감지 및 대기열 관리와 같은 애플리케이션을 사용할 수 있습니다. 필터의 예측 기능은 다른 사람이나 객체에 의해 일시적으로 가려지더라도 사람의 트랙이 손실되지 않도록 보장하며, 이는 스마트 감시 기능 향상을 위한 핵심 기능입니다.

관련 개념 및 구별

칼만 필터를 관련 용어와 구별하는 것이 중요합니다.

• 확장 칼만 필터(Extended Kalman Filter, EKF): 표준 칼만 필터는 시스템 역학이 선형이라고 가정합니다. 그러나 회전하는 자동차와 같은 많은 실제 시스템은 비선형적입니다. EKF는 각 시간 단계에서 모델을 선형화하여 비선형 시스템을 처리하도록 칼만 필터를 확장합니다.
• Unscented Kalman Filter (UKF): EKF(Extended Kalman Filter)의 선형화가 불충분한 고도의 비선형 시스템의 경우, UKF(Unscented Kalman Filter) 소개에서 설명하는 바와 같이 UKF는 야코비안을 계산할 필요 없이 더 정확한 대안을 제공합니다.
• 파티클 필터: 이는 비선형, 비가우시안 시스템의 또 다른 대안이며 로보틱스에서 로컬라이제이션 및 매핑에 자주 사용됩니다. 칼만 필터와 달리 일련의 임의 샘플(파티클)을 사용하여 확률 분포를 나타냅니다.

Ultralytics 프레임워크 내에서 추적 알고리즘을 위한 유틸리티로 구현된 칼만 필터를 찾을 수 있습니다. OpenCV와 같은 라이브러리도 자체 칼만 필터 구현을 제공합니다. 이 필터는 컴퓨터 비전 프로젝트에서 널리 사용됩니다.