🔄 Day 19: 센서 퓨전 개념 (Kalman Filter 소개)

안녕하세요! ✨
앞서 Day 18에서는 LiDAR, Camera, Radar의 장단점 비교를 정리했습니다.
오늘은 이들 센서를 효과적으로 융합하는 핵심 기술, 센서 퓨전(Sensor Fusion) 과 대표 알고리즘인 Kalman Filter 를 소개하겠습니다.

센서 퓨전 개념 (Kalman Filter 소개)

---

🔍 센서 퓨전이란?

센서 퓨전은 여러 센서의 데이터를 결합해 더 정확하고 신뢰성 있는 정보를 추출하는 기법입니다.

• LiDAR → 정밀한 3D 지도
• Camera → 시각적 인식(차선, 표지판)
• Radar → 속도와 거리 측정

👉 각각의 센서 단점을 보완하고, 장점을 극대화할 수 있습니다.
예: Radar + Camera → 속도 + 객체 인식 동시 확보

---

⚙️ Kalman Filter의 기본 개념

Kalman Filter(칼만 필터)는 센서 퓨전에서 가장 널리 사용되는 추정 알고리즘입니다.

핵심 아이디어

1. 예측(Prediction): 이전 상태를 바탕으로 현재 상태를 예측
2. 관측(Update): 센서 측정값을 받아 예측을 보정
3. 결합(Fusion): 예측과 관측을 최적 가중치로 결합해 최종 추정

👉 결국, “불확실한 데이터”를 결합해 가장 그럴듯한 상태(State)를 추정하는 방법입니다.

---

🧮 Kalman Filter 수학 (간단히)

• 상태 벡터: x\mathbf{x}x (위치, 속도 등)
• 예측 단계:

 

 

• 업데이트 단계:

 

 

여기서:

• AAA: 상태 전이 행렬
• BBB: 제어 입력 행렬
• KKK: 칼만 이득(Kalman Gain)

• 

  : 관측 벡터

 

👉 너무 복잡해 보이지만, 본질은 “예측값과 측정값을 가중 평균”하는 방식입니다.

---

🚘 자율주행에서 Kalman Filter 활용

1. 차량 위치 추정 (Localization)
   • GPS + IMU 융합 → 더 안정적인 위치 추정
2. 차량 속도 추정
   • 휠 속도 센서 + Radar 데이터 결합
3. 보행자 추적 (Tracking)
   • Camera 인식 결과 + Radar 거리 정보 결합

👉 실제 자율주행 소프트웨어 스택에서 EKF(Extended Kalman Filter) 와 UKF(Unscented Kalman Filter) 같은 변형 모델도 많이 쓰입니다.

---

📌 정리

• 센서 퓨전은 여러 센서를 결합해 더 정확한 추정값을 만드는 기술
• Kalman Filter는 예측 + 관측 → 최적 결합을 구현하는 대표적 알고리즘
• 자율주행에서는 위치, 속도, 객체 추적 등에 널리 활용

---

🚀 다음 글 예고

다음 글에서는 [Day 20: ROS2에서 간단한 센서 데이터 융합 실습] 을 다룹니다.
직접 ROS2 환경에서 LiDAR, Camera, Radar 데이터를 결합하는 간단한 실습을 진행해보겠습니다.

반응형

---

✅ 오늘 글이 도움이 되셨다면 좋아요와 공유 부탁드립니다.

---