Kalman Filter (KF)

**Kalman Filter (KF)**는 시간에 따른 동적 시스템의 상태를 추정하는 데 사용되는 재귀적 수학 알고리즘입니다. Rudolf E. Kálmán이 처음 소개한 이 기법은 불확실하거나 부정확하며 흔히 "노이즈"라고 불리는 무작위 변동을 포함하는 데이터를 처리하는 데 필수적입니다. 통계적 부정확성을 포함하여 시간에 따라 관측된 일련의 측정값을 결합함으로써, Kalman Filter는 단일 측정값에만 의존하는 것보다 더 정밀한 미지 변수의 추정치를 산출합니다. machine learning (ML) 및 artificial intelligence (AI) 분야에서 이는 predictive modeling을 위한 핵심 도구로 작용하며, 들쭉날쭉한 데이터 포인트를 매끄럽게 하여 내재된 실제 추세를 드러냅니다.

Link to this sectionKalman Filter의 작동 원리#

이 알고리즘은 **예측(prediction)**과 업데이트(update)(보정이라고도 함)의 2단계 주기로 작동합니다. 이 알고리즘은 기본 시스템이 선형적이며 노이즈가 Gaussian distribution(종형 곡선)을 따른다고 가정합니다.

1. 예측: 필터는 물리적 모델을 사용하여 현재 상태를 시간상 앞선 미래로 투영합니다. 예를 들어, 물체가 일정한 속도로 이동하는 경우 필터는 표준 kinematic equations에 기반하여 다음 위치를 예측합니다. 이 단계에서는 해당 예측과 관련된 uncertainty도 함께 추정합니다.

2. 업데이트: 센서로부터 새로운 측정값이 들어오면, 필터는 예측된 상태와 관측된 데이터를 비교합니다. 필터는 Kalman Gain에 의해 결정되는 가중 평균을 계산하며, 이때 불확실성이 더 낮은 값(예측 또는 측정값)에 더 높은 신뢰도를 부여합니다. 그 결과로 다음 주기의 기준이 되는 세밀한 state estimation이 도출됩니다.

Link to this section컴퓨터 비전 및 AI 분야에서의 활용#

원래 제어 이론과 항공 우주 항법에 뿌리를 두고 있지만, 현재 Kalman Filter는 현대적인 computer vision (CV) 파이프라인 전반에서 널리 사용됩니다.

• Object Tracking: 이는 가장 흔한 사용 사례입니다. YOLO26과 같은 탐지 모델이 비디오 프레임 내의 객체를 식별하면, 이는 정적인 스냅샷을 제공하게 됩니다. 움직임을 파악하기 위해 BoT-SORT와 같은 트래커는 Kalman Filter를 사용하여 프레임 간 탐지 결과를 연결합니다. 객체가 일시적으로 가려지면(시야에서 차단), 필터는 객체의 이전 속도를 사용하여 위치를 예측함으로써 시스템이 "추적"을 잃거나 ID를 잘못 변경하는 것을 방지합니다.
• 로봇 공학의 센서 퓨전: robotics 분야에서 기계는 노이즈가 섞인 여러 센서를 사용하여 탐색해야 합니다. 배송 로봇은 GPS(드리프트 발생 가능), 휠 인코더(미끄러짐 발생 가능), 그리고 IMUs(노이즈가 포함됨)를 사용할 수 있습니다. Kalman Filter는 이러한 서로 다른 입력값을 융합하여 항법을 위한 단일하고 신뢰할 수 있는 좌표를 제공하며, 이는 안전한 autonomous vehicles 운행에 필수적입니다.

Link to this section관련 개념 구분#

statistical AI에서 발견되는 표준 Kalman Filter와 그 변형 및 대안을 구분하는 것이 유용합니다:

• Kalman Filter 대 Extended Kalman Filter (EKF): 표준 KF는 시스템이 선형 방정식(직선)을 따른다고 가정합니다. 그러나 드론이 회전하는 것과 같은 실제 움직임은 비선형적인 경우가 많습니다. EKF는 미분을 사용하여 각 단계에서 시스템 역학을 선형화함으로써 이를 해결하며, 복잡한 궤적에 적합하게 만듭니다.
• Kalman Filter 대 Particle Filter: KF는 가우시안 가정에 의존하지만, particle filters는 확률 분포를 나타내기 위해 무작위 샘플(입자) 세트를 사용합니다. Particle Filter는 비가우시안 노이즈에 대해 더 유연하지만 상당히 더 많은 컴퓨팅 성능이 필요하며, 이는 real-time inference 속도에 영향을 줄 수 있습니다.

Link to this section구현 예시#

Ultralytics 생태계에서 Kalman Filter는 추적 알고리즘에 직접 통합되어 있습니다. 방정식을 수동으로 작성할 필요가 없으며, 추적 모드를 활성화하여 활용할 수 있습니다. Ultralytics Platform을 사용하면 데이터셋을 관리하고 이러한 추적 기능을 통해 쉽게 배포할 수 있는 모델을 훈련할 수 있습니다.

다음은 YOLO26으로 추적을 수행하는 Python 예제입니다. 여기서 내부 트래커는 bounding box 움직임을 매끄럽게 만들기 위해 자동으로 Kalman 필터링을 적용합니다:

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()}")

Link to this section데이터 품질의 중요성#

실제 배포 환경에서 데이터가 완벽한 경우는 거의 없습니다. 카메라는 모션 블러를 겪고, 센서는 신호 노이즈를 경험합니다. Kalman Filter는 결정 루프 내에서 정교한 data cleaning 메커니즘 역할을 합니다. 추정치를 지속적으로 개선함으로써, 입력 스트림의 일시적인 결함에 반응하는 대신 가장 확률적인 현실에 기반하여 AI agents가 작동하도록 보장합니다. 이러한 신뢰성은 airport operations 모니터링부터 정밀한 산업 자동화에 이르기까지 안전이 중요한 응용 분야에 매우 중요합니다.