🎯 Day 27: Particle Filter 구현 실습

안녕하세요! ✨
앞서 Day 26에서는 Particle Filter 개념을 학습했습니다.
오늘은 실제로 Particle Filter를 Python으로 구현해보고, 간단한 위치 추정 실습을 진행해보겠습니다.

Particle Filter 구현 실습

---

🔍 Particle Filter 구현 목표

• 1D 또는 2D 환경에서 차량의 위치를 추정
• GPS와 같은 noisy 관측값을 기반으로 상태 보정
• 여러 개의 입자를 활용해 분포 기반 추정을 수행

---

🧑‍💻 Python 코드 예제

python

 

import numpy as np
import matplotlib.pyplot as plt

# 파라미터 설정
N = 1000  # 입자 개수
T = 20    # 시뮬레이션 스텝
true_pos = 0.0
true_vel = 1.0

# 초기 입자 (무작위)
particles = np.random.normal(0, 5, N)
weights = np.ones(N) / N

positions = []

for t in range(T):
    # 실제 이동
    true_pos += true_vel + np.random.normal(0, 0.2)
    z = true_pos + np.random.normal(0, 2.0)  # 관측값 (노이즈 포함)

    # 1. 예측 단계
    particles += np.random.normal(true_vel, 0.5, N)

    # 2. 업데이트 단계
    weights *= np.exp(- (particles - z)**2 / (2 * 2.0**2))
    weights += 1.e-300  # underflow 방지
    weights /= np.sum(weights)

    # 3. 리샘플링
    indices = np.random.choice(range(N), size=N, p=weights)
    particles = particles[indices]
    weights.fill(1.0 / N)

    # 추정값 기록
    estimate = np.mean(particles)
    positions.append((true_pos, z, estimate))

# 결과 시각화
true_vals, obs, est = zip(*positions)
plt.plot(true_vals, label="True Position")
plt.plot(obs, 'r.', alpha=0.5, label="Measurements")
plt.plot(est, 'g-', label="PF Estimate")
plt.legend()
plt.title("Particle Filter Simulation")
plt.show()

---

📊 결과 해석

• 빨간 점: 센서 관측값(GPS 등) → 노이즈 많음
• 파란선: 실제 위치 → Ground Truth
• 초록선: Particle Filter 추정값 → 점점 실제 위치와 근접

👉 Particle Filter가 잡음 많은 관측에서도 강력한 추정 성능을 발휘함을 확인할 수 있습니다.

---

🚘 자율주행 활용

• SLAM (Simultaneous Localization and Mapping)
• GPS 불안정 지역에서의 차량 위치 추정
• 비선형·비가우시안 동역학 시스템 처리

---

📌 정리

• Particle Filter는 여러 개의 입자를 이용해 상태를 추정
• Python으로 간단히 구현 가능하며, 시각화로 원리 이해 용이
• 자율주행, 로봇, 드론 위치 추정에 활용 가치 높음

반응형

---

🚀 다음 글 예고

다음 글에서는 [Day 28: LiDAR + Camera 융합 (Feature matching)] 을 다룹니다.
LiDAR 점군과 카메라 영상 데이터를 융합하여 특징 매칭 기반의 센서 융합을 실습해보겠습니다.

---

✅ 오늘 글이 도움이 되셨다면 좋아요와 공유 부탁드립니다.