🎯 Day 26: Particle Filter 개념 학습

안녕하세요! ✨
앞서 Day 25에서는 LiDAR + IMU 센서 융합 실습을 진행했습니다.
오늘은 비선형·비가우시안 환경에서도 강력한 성능을 보이는 Particle Filter(입자 필터) 개념을 학습해보겠습니다.

Particle Filter 개념 학습

---

🔍 Particle Filter란?

Particle Filter는 확률적 샘플링 기반 필터로, 시스템의 상태를 추정하기 위해 다수의 "입자(Particle)"를 사용합니다.

• Kalman Filter: 가우시안 분포(정규분포) 가정
• Extended/Unscented Kalman Filter(EKF/UKF): 비선형 모델 근사 가능
• Particle Filter: 분포의 모양에 제한이 없음 (비가우시안도 처리 가능)

👉 따라서 복잡한 환경에서 자율주행차, 로봇, 드론의 위치 추정(SLAM) 등에 널리 쓰입니다.

---

⚙️ Particle Filter 동작 과정

1. 초기화 (Initialization)
   • 많은 수의 입자(Particle)를 무작위로 생성하고 초기 상태에 분포시킴
2. 예측 단계 (Prediction)
   • 차량의 이동 모델(예: 속도, 가속도, yaw)을 이용해 입자들의 위치를 업데이트
3. 관측 단계 (Measurement Update)
   • LiDAR, GPS 등 센서 관측값을 기반으로 각 입자의 가중치(weight)를 계산
4. 리샘플링 (Resampling)
   • 가중치가 큰 입자는 많이 선택, 작은 입자는 제거
   • 새로운 입자 집합 생성

👉 이 과정을 반복하면 실제 상태에 가까운 추정이 가능

---

📊 직관적 이해

• Particle Filter는 "동전 수천 개를 흩뿌려 실제 위치를 맞추는 것"과 비슷합니다.
• 시간이 지날수록 실제 차량 궤적 근처에 입자들이 몰리게 됩니다.

---

🚘 자율주행 응용

• SLAM (Simultaneous Localization and Mapping)
• GPS 신호 불안정 지역에서의 위치 추정
• 비선형 동역학 시스템 추정

---

📌 정리

• Particle Filter는 복잡한 확률 분포에서도 강력한 추정 성능 제공
• 비가우시안, 비선형 문제를 해결하는 데 적합
• 자율주행, 로봇, 드론 등 다양한 분야에서 활용

반응형

---

🚀 다음 글 예고

다음 글에서는 [Day 27: Particle Filter 구현 실습] 을 다룹니다.
실제 Python 코드로 Particle Filter를 구현하며, 차량 위치 추정을 시뮬레이션해보겠습니다.

---

✅ 오늘 글이 도움이 되셨다면 좋아요와 공유 부탁드립니다.

---