KLD 재샘플링을 통한 입자 필터 샘플 크기 적응

본 논문은 입자 필터(Particle Filter, PF)의 핵심 문제 중 하나인 샘플(입자) 수의 동적 조절에 초점을 맞춘다. 기존 PF는 고정된 입자 수를 사용하거나, 샘플링 단계에서 Kullback‑Leibler 거리(KLD)를 이용해 필요한 입자 수를 추정하는 KLD‑샘플링 기법을 적용한다. KLD‑샘플링은 제안 분포(q)와 진정한 후방분포(p) 사이의 KLD를 계산하고, χ² 분포와 Wilson‑Hilferty 변환을 통해 ε(오차 한계)와 δ(신뢰 수준) 파라미터에 기반한 최소 입자 수 N을 구한다. 그러나 이 방법은 “샘플이 실제 후방분포에서 직접 추출된다”는 가정을 전제로 하며, PF에서 실제로는 제안 분포에서 샘플을 뽑고 가중치를 부여해 후방분포를 근사한다는 점을 간과한다. 따라서 KLD‑샘플링이 제공하는 통계적 경계는 실제 추정 품질과 불일치할 위험이 있다. 이를 보완하고자 저자들은 KLD‑재샘플링(KLD‑Resampling)이라는 새로운 적응 메커니즘을 제안한다. 핵심 아이디어는 리샘플링 단계에서 KLD를 직접 적용해, 후방분포 자체와 재샘플링된 입자 집합 사이의 거리 측정을 기반으로 필요한 입자 수를 결정한다는 것이다. 구체적인 절차는 다음과 같다. 1. **입자 초기화**: 기존 PF와 동일하게 중요도 가중치를 계산하고, 초기 입자 집합을 구성한다. 2. **리샘플링 루프**: 가중치에 따라 입자를 하나씩 무작위로 선택한다(다항식 재샘플링 등). 선택된 입자가 아직 차지되지 않은 빈(bin)에 속하면, 빈 카운트 k를 1 증가시킨다. 3. **입자 수 업데이트**: 현재까지 재샘플링된 입자 수 i와 빈 개수 k를 이용해 식 (4) N = (k / (2ε))·(1 − 2/(9(k − 1)) + √(2/(9(k − 1)))·z_{1‑δ})² 를 계산한다. 여기서 z_{1‑δ}는 표준 정규분포의 상위 분위수이다. 4. **종료 조건**: i가 N에 도달하거나 사전에 정의된 최대 입자 수 N_max에 도달하면 리샘플링을 종료한다. 이 과정에서 중요한 점은 빈을 정의하는 방식이다. 고차원 상태공간에서는 모든 차원을 동일하게 빈으로 나누면 빈 수가 급증해 계산량이 비현실적으로 커진다. 저자들은 실험적 편의를 위해 위치 좌표(2차원)만을 빈으로 구분하고, 빈 크기는 시스템 잡음 표준편차와 측정 잡음 표준편차 중 작은 값을 사용한다. 이렇게 하면 빈 수가 제한적이면서도 상태공간의 주요 변동을 포착할 수 있다. 제안된 KLD‑재샘플링 알고리즘은 기존 PF 구조에 최소한의 변경만을 요구한다. 가중치 계산, 예측 단계, 관측 업데이트 등은 기존 PF와 동일하게 유지되며, 리샘플링 단계에 빈 카운팅과 N 업데이트 로직만 추가된다. 따라서 구현 난이도가 낮고, 실시간 시스템에 쉽게 적용할 수 있다. **시뮬레이션 설정** - **시스템 모델**: 2차원 평면에서 움직이는 목표물의 4차원 상태(위치·속도)를 2차 연속 시간 모델로 표현한다. 샘플링 간격 T=1이며, 프로세스 잡음은 σ_v1=σ_v2=0.001인 가우시안 백색 잡음이다. - **관측 모델**: 원점에서 목표물까지의 방위각만을 측정한다. 관측 잡음은 σ_w1=0.005인 가우시안 백색 잡음이다. - **초기 조건**: 초기 상태는 x₀=