Kalman Filter (KF)

**칼만 필터 (KF)**는 시간에 따라 동적 시스템의 상태를 추정하는 데 사용되는 재귀적 수학 알고리즘입니다. Rudolf E. Kálmán이 처음 소개한 이 기법은 불확실하거나 부정확하거나 무작위 변동을 포함하는 데이터를 처리하는 데 필수적이며, 이러한 변동을 흔히 "노이즈"라고 합니다. 통계적 부정확성을 포함한 시간에 따른 일련의 관측값을 결합하여 칼만 필터는 단일 측정값만을 기반으로 한 추정보다 더 정밀한 미지 변수 추정값을 생성합니다. 머신 러닝 (ML) 및 인공지능 (AI) 분야에서 칼만 필터는 예측 모델링을 위한 핵심 도구로 사용되며, 불규칙한 데이터 포인트를 평활화하여 실제 기저 추세를 드러냅니다.

칼만 필터의 작동 방식#

이 알고리즘은 예측과 업데이트(보정이라고도 함)의 2단계 주기로 작동합니다. 기저 시스템이 선형이고 노이즈가 가우시안 분포(종 모양 곡선)를 따른다고 가정합니다.

1. 예측: 필터는 물리 모델을 사용하여 현재 상태를 시간상 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: 센서에서 새로운 측정값이 들어오면 필터는 예측 상태와 관측 데이터를 비교합니다. 칼만 이득에 의해 결정되는 가중 평균을 계산하여 불확실성이 더 낮은 값(예측값 또는 측정값)을 더 신뢰합니다. 그 결과 생성되는 정 refined 상태 추정은 다음 주기의 기준으로 사용됩니다.

컴퓨터 비전 및 AI 분야의 응용#

제어 이론과 항공우주 항법에서 처음 발전한 칼만 필터는 이제 최신 컴퓨터 비전 (CV) 파이프라인 전반에서 널리 사용됩니다.

• 객체 추적: 가장 일반적인 사용 사례입니다. YOLO26과 같은 검출 모델이 비디오 프레임에서 객체를 식별하면 정적인 스냅샷을 제공합니다. 움직임을 파악하기 위해 BoT-SORT와 같은 트래커는 칼만 필터를 사용하여 여러 프레임에 걸쳐 검출 결과를 연결합니다. 객체가 일시적으로 가려진 경우(시야에서 차단된 경우), 필터는 객체의 이전 속도를 사용하여 위치를 예측하므로 시스템이 "트랙"을 잃거나 ID를 전환하는 것을 방지합니다.
• 로보틱스에서의 센서 퓨전: 로보틱스에서는 여러 노이즈 센서를 사용하여 탐색해야 합니다. 배송 로봇은 드리프트가 발생할 수 있는 GPS, 미끄러질 수 있는 휠 인코더, 노이즈가 있는 IMUs를 함께 사용할 수 있습니다. 칼만 필터는 이러한 서로 다른 입력을 융합하여 탐색에 사용할 단일하고 신뢰할 수 있는 좌표를 제공하며, 이는 안전한 자율주행 차량 운용에 필수적입니다.

관련 개념 구분하기#

통계적 AI에서 사용되는 표준 칼만 필터와 그 변형 및 대안을 구분하면 유용합니다.

• 칼만 필터와 확장 칼만 필터 (EKF) 비교: 표준 KF는 시스템이 선형 방정식(직선)을 따른다고 가정합니다. 그러나 드론이 선회하며 기울어지는 경우와 같은 실제 움직임은 비선형인 경우가 많습니다. EKF는 각 단계에서 미분을 사용하여 시스템 동역학을 선형화함으로써 이 문제를 해결하므로 복잡한 궤적에 적합합니다.
• 칼만 필터와 파티클 필터 비교: KF가 가우시안 가정에 의존하는 반면, 파티클 필터는 확률 분포를 나타내기 위해 무작위 샘플(파티클) 집합을 사용합니다. 파티클 필터는 비가우시안 노이즈에 더 유연하지만 훨씬 더 많은 연산 성능이 필요하므로 실시간 추론 속도에 영향을 줄 수 있습니다.

구현 예시#

Ultralytics 생태계에서는 칼만 필터가 추적 알고리즘에 직접 통합되어 있습니다. 방정식을 직접 작성할 필요 없이 추적 모드를 활성화하여 활용할 수 있습니다. Ultralytics Platform을 사용하면 데이터셋을 관리하고 이러한 추적 기능으로 쉽게 배포할 수 있는 모델을 학습할 수 있습니다.

다음은 Python을 사용하여 Ultralytics YOLO26으로 추적을 수행하는 간결한 예제입니다. 이때 기본 트래커가 자동으로 칼만 필터링을 적용하여 바운딩 박스의 움직임을 평활화합니다.

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 환경에 배포할 때 데이터가 완벽한 경우는 드뭅니다. 카메라에는 모션 블러가 발생하고 센서에는 신호 노이즈가 생깁니다. 칼만 필터는 의사결정 루프 내에서 정교한 데이터 정제 메커니즘으로 작동합니다. 추정값을 지속적으로 개선함으로써 AI 에이전트가 입력 스트림의 순간적인 모든 오류에 반응하는 대신 가장 가능성 높은 현실에 기반하여 작동하도록 합니다. 이러한 신뢰성은 공항 운영 모니터링부터 정밀한 산업 자동화에 이르기까지 안전이 중요한 애플리케이션에 필수적입니다.