칼만 필터(KF)

칼만 필터(KF)는 일련의 불완전하고 노이즈가 많은 측정값으로부터 동적 시스템의 상태를 추정하는 데 사용되는 강력한 알고리즘입니다. 루돌프 E. 칼만이 개발한 이 알고리즘의 원래 목적은 항공우주 분야의 내비게이션이었지만 이후 로봇 공학, 경제학, 특히 컴퓨터 비전(CV)을 비롯한 많은 분야에서 기본이 되었습니다. 이 필터는 먼저 시스템의 미래 상태와 그 예측의 불확실성을 예측한 다음 새로운 측정값을 통합하여 추정치를 업데이트하는 2단계 주기로 작동합니다. 이 과정을 통해 센서 데이터가 부정확한 경우에도 물체의 위치 및 속도와 같은 상태를 원활하고 정확하게 추정할 수 있습니다.

AI 및 컴퓨터 비전에서 칼만 필터가 작동하는 방식

AI의 맥락에서 칼만 필터는 객체 추적에 가장 두드러지게 사용됩니다. Ultralytics YOLO와 같은 객체 감지 모델이 한 프레임에서 객체를 식별한 후 칼만 필터를 사용하여 다음 프레임에서 객체의 위치를 예측합니다. 이 예측은 일반적으로 일정한 속도 또는 일정한 가속도를 가정하는 모션 모델을 기반으로 합니다.

다음 프레임이 도착하면 감지 모델은 새로운 측정값(즉, 새로운 바운딩 박스 좌표)을 제공합니다. 그러면 칼만 필터가 '업데이트' 단계를 수행하여 이 새 데이터를 기반으로 초기 예측을 수정합니다. 이 프로세스는 여러 가지 이유로 매우 효과적입니다:

• 노이즈 감소: 불안정한 감지를 부드럽게 처리하여 보다 안정적인 추적 경로를 제공합니다.
• 오클루전 처리: 감지기가 몇 프레임 동안 물체를 보지 못한 경우(예: 자동차가 나무 뒤로 지나가는 경우) 필터가 계속해서 위치를 예측하여 물체가 다시 나타나면 트래커가 다시 식별할 수 있도록 합니다.
• 상태 추정: 속도를 포함해 현재 위치를 넘어 물체의 상태에 대한 보다 포괄적인 이해를 제공합니다. 칼만 필터에 대한 자세한 시각적 소개에서 핵심 개념에 대해 자세히 알아볼 수 있습니다.

이 필터는 측정을 재귀적으로 처리할 수 있어 계산 효율이 높고 실시간 추론에 이상적입니다. SORT(단순 온라인 및 실시간 추적) 및 ByteTrack과 같은 많은 인기 있는 추적 알고리즘은 핵심 동작 예측 구성 요소로 칼만 필터를 사용합니다. YOLO11과 같은 울트라트래픽 모델은 트랙 모드에서 이러한 트래커를 활용합니다.

실제 애플리케이션

칼만 필터는 수많은 최신 시스템에 필수적인 요소입니다. 다음은 몇 가지 예시입니다:

1. 자율 주행 차량: 자율 주행 차량에서 칼만 필터는 센서 융합에 필수적입니다. 카메라, GPS, LiDAR, IMU와 같은 다양한 센서의 데이터는 모두 노이즈가 많고 업데이트 속도가 다릅니다. 이 필터는 이러한 데이터를 결합하여 차량의 위치, 속도, 도로 위의 다른 물체의 궤적을 매우 정확하고 신뢰할 수 있는 단일 추정치를 생성합니다. 이는 차량용 AI 솔루션의 안전한 내비게이션과 의사 결정에 매우 중요한 요소입니다.
2. 스마트 감시를 위한 보행자 추적: 보안 시스템은 공공장소를 모니터링하기 위해 객체 추적을 사용하는 경우가 많습니다. YOLO 모델이 보행자를 감지하면 칼만 필터 기반 트래커가 각 사람에게 고유 ID를 할당하고 카메라의 시야를 가로질러 따라갑니다. 이를 통해 자동화된 객체 수 계산, 이상 징후 감지, 대기열 관리와 같은 애플리케이션을 사용할 수 있습니다. 필터의 예측 기능은 다른 사람이나 물체에 의해 일시적으로 가려지더라도 사람의 트랙이 손실되지 않도록 보장하며, 이는 스마트 감시를 강화하는 핵심 기능입니다.

관련 개념 및 차이점

칼만 필터를 관련 용어와 구별하는 것이 중요합니다:

• 확장 칼만 필터(EKF): 표준 칼만 필터는 시스템 동역학이 선형이라고 가정합니다. 그러나 회전하는 자동차와 같은 많은 실제 시스템은 비선형적입니다. EKF는 각 시간 단계에서 모델을 선형화하여 비선형 시스템을 처리하도록 칼만 필터를 확장합니다.
• 무향 칼만 필터(UKF): EKF의 선형화가 불충분한 고도로 비선형적인 시스템의 경우, UKF는 이 비향 칼만 필터 소개에서 설명한 것처럼 자코비안을 계산할 필요 없이 더 정확한 대안을 제공합니다.
• 파티클 필터: 비선형, 비 가우스 시스템을 위한 또 다른 대안으로 로봇 공학에서 위치 파악 및 매핑을 위해 자주 사용됩니다. 칼만 필터와 달리 무작위 샘플(입자) 세트를 사용하여 확률 분포를 나타냅니다.

울트라틱스 프레임워크 내에서 추적 알고리즘을 위한 유틸리티로 구현된 칼만 필터를 찾을 수 있습니다. OpenCV와 같은 라이브러리에서도 컴퓨터 비전 프로젝트에서 널리 사용되는 자체 칼만 필터 구현을 제공합니다.