칼만 필터, 레이더 예제로 직관적으로 이해해보기

칼만 필터, 이름은 들어봤는데 뭔지 모르겠다면

칼만 필터(Kalman Filter)라는 이름, 한 번쯤은 들어보셨을 거예요. 자율주행, 로봇공학, GPS, 드론 제어 등에서 핵심적으로 사용되는 알고리즘인데요, 막상 수학 공식을 보면 행렬과 확률 기호가 가득해서 "이건 내 영역이 아니야"라고 넘기기 쉬워요. 그런데 kalmanfilter.net이라는 사이트에서 레이더 추적이라는 아주 직관적인 예제를 통해 칼만 필터를 설명하고 있어서, 수학 배경이 깊지 않은 개발자도 핵심 개념을 잡을 수 있도록 구성되어 있어요.

칼만 필터가 뭐냐면

아주 쉽게 말하면, 칼만 필터는 "노이즈가 섞인 측정값에서 진짜 값을 추정하는 알고리즘"이에요. 일상적인 비유를 들어볼게요. 체중계에 올라갈 때마다 숫자가 조금씩 다르잖아요. 68.2kg, 67.8kg, 68.5kg... 매번 다른 값이 나오는데, 실제 몸무게는 하나일 거예요. 이 여러 측정값을 똑똑하게 조합해서 실제 몸무게에 가까운 추정값을 구하는 게 칼만 필터가 하는 일이에요.

단순히 평균을 내는 것과 뭐가 다르냐면, 칼만 필터는 예측(Prediction)과 업데이트(Update) 두 단계를 반복하면서 동작해요. 먼저 이전 상태를 바탕으로 "다음 상태는 이럴 거야"라고 예측하고, 그다음 실제 측정값이 들어오면 예측값과 측정값을 적절히 섞어서 더 정확한 추정값을 만들어내요. 이 과정에서 핵심적인 역할을 하는 게 칼만 이득(Kalman Gain)인데, 이게 뭐냐면 "예측을 더 믿을지, 측정값을 더 믿을지"를 결정하는 가중치예요.

레이더 예제로 따라가보기

이 사이트에서 사용하는 레이더 예제는 이래요. 레이더가 날아오는 비행기의 위치를 측정하는데, 레이더 측정값에는 항상 오차가 있어요. 전파가 대기 중에서 산란되기도 하고, 장비 자체의 한계도 있거든요. 그래서 측정된 위치가 실제 위치와 정확히 일치하지 않아요.

여기서 칼만 필터가 등장해요. 비행기가 일정한 속도로 날고 있다면, 이전 위치와 속도로부터 "다음 시점에 비행기는 여기쯤 있을 거야"라고 예측할 수 있어요. 그리고 레이더에서 새로운 측정값이 들어오면, 예측값과 측정값을 칼만 이득에 따라 섞어서 최종 추정 위치를 구해요. 측정 오차가 크면 예측을 더 믿고, 예측 모델의 불확실성이 크면 측정값을 더 믿는 식이에요.

이 사이트의 좋은 점은 각 단계를 숫자 예시와 함께 step by step으로 보여준다는 거예요. 첫 번째 측정값이 들어왔을 때, 두 번째 측정값이 들어왔을 때, 세 번째... 이렇게 반복하면서 추정값이 점점 실제 값에 수렴하는 과정을 눈으로 확인할 수 있어요.

칼만 필터의 수학적 구조 (겁먹지 마세요)

칼만 필터의 수식을 전부 이해하려면 선형대수와 확률론이 필요하지만, 핵심 아이디어는 두 개의 가우시안(정규) 분포를 합치는 거예요. 예측에 대한 불확실성과 측정에 대한 불확실성을 각각 가우시안으로 표현하고, 이 둘을 곱하면(베이지안 업데이트) 더 좁은, 즉 더 확실한 가우시안이 나와요. 이게 뭐냐면, 두 개의 부정확한 정보를 잘 합치면 각각보다 더 정확한 정보를 얻을 수 있다는 거예요. 꽤 직관적이죠?

확장 칼만 필터(EKF)나 무향 칼만 필터(UKF) 같은 변형도 있는데, 이건 시스템이 비선형일 때 사용해요. 기본 칼만 필터는 선형 시스템(직선으로 움직이는 비행기 같은)에 최적인데, 현실 세계는 비선형인 경우가 훨씬 많거든요. 자율주행차가 커브를 도는 것처럼요.

업계에서의 활용과 위치

칼만 필터는 1960년 Rudolf Kalman이 발표한 이후로 60년 넘게 쓰이고 있는 알고리즘이에요. 아폴로 우주선의 항법 시스템에도 사용됐고, 지금도 거의 모든 내비게이션 시스템의 핵심이에요. 최근에는 센서 퓨전(여러 센서 데이터를 합치는 것)에서 특히 중요한데, 자율주행차가 카메라, 라이다, GPS 데이터를 합칠 때 칼만 필터 계열 알고리즘이 기본적으로 사용돼요.

딥러닝이 대세인 요즘에도 칼만 필터가 여전히 중요한 이유는, 물리적 모델이 명확한 경우에는 칼만 필터가 더 적은 데이터로 더 정확하고 해석 가능한 결과를 내기 때문이에요.

한국 개발자에게 주는 시사점

로보틱스, 자율주행, IoT 센서 데이터 처리, 금융 시계열 데이터 필터링 등에서 칼만 필터는 실무에서 바로 쓸 수 있는 도구예요. 한국의 자율주행 스타트업이나 제조업 스마트팩토리 프로젝트에서 센서 데이터 노이즈 제거가 필요할 때, 딥러닝 모델을 학습시키기 전에 칼만 필터부터 시도해보는 게 좋은 접근이에요. 간단하고, 빠르고, 설명 가능하거든요. 이 사이트는 그 첫걸음으로 아주 좋은 자료예요.