⚡ electrical engineering

LMI Optimization Based Multirate Steady-State Kalman Filter Design

이 논문은 다양한 샘플링 속도를 가진 센서를 가진 다중 레이트 시스템에 대해, 측정 노이즈 공분산이 양의 정부호가 아닌 반정부호인 경우에도 적용 가능한 LMI 기반 최적화 프레임워크를 제안하여 정상 상태 칼만 필터를 설계하고, 이를 통해 자동차 내비게이션 시스템에서 GPS 와 바퀴 속도 센서의 융합을 통해 위치 추정의 RMSE 를 GPS 노이즈 수준 이하로 낮추는 것을 입증합니다.

원저자: Hiroshi Okajima

게시일 2026-03-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hiroshi Okajima

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 문제 상황: "느린 GPS 와 빠른 바퀴"의 혼란

자동차가 달릴 때 우리는 두 가지 정보를 주로 봅니다.

GPS: 하늘에서 오는 신호로 위치를 알려줍니다. 하지만 1 초에 1 번만 업데이트됩니다. (느리지만 정확함)
바퀴 속도계: 바퀴가 얼마나 빠르게 도는지 재줍니다. 1 초에 10 번 이상 업데이트됩니다. (빠르지만 오차가 있을 수 있음)

기존의 난제:
예전에는 이 두 정보를 다룰 때, 느린 GPS 정보를 빈칸으로 채우거나 (0 으로 처리), 무리하게 중간값을 추정하는 방식을 썼습니다. 하지만 이렇게 하면 "어느 순간은 GPS 가 없어서 정보가 끊기고, 어느 순간은 바퀴 정보만 있어서 오차가 커지는" 불균형이 생깁니다. 마치 느린 카메라와 빠른 카메라가 동시에 찍은 사진을 합칠 때, 한쪽이 흐릿하거나 검은 화면이 섞여버리는 것과 같습니다.

또한, 수학적으로 이 문제를 풀려고 하면 **"정보의 불확실성 (노이즈)"**을 계산하는 과정에서 0 이나 매우 작은 값이 나오게 되는데, 기존 수학 공식 (DARE) 은 이런 '0'이나 '불완전한 값'을 처리할 수 없어서 계산이 멈추거나 틀린 답을 내놓곤 했습니다.

2. 해결책: "시간을 묶어서 한 번에 보는 마법"

저자는 이 문제를 해결하기 위해 두 가지 핵심 아이디어를 제시합니다.

① "리듬에 맞춰 춤추기" (Cyclic Reformulation)

서로 다른 속도의 센서 정보를 각각 따로 보는 대신, 가장 느린 센서 (GPS) 가 한 번 업데이트될 때까지의 시간 (예: 1 초) 을 하나의 '라운드'로 묶습니다.

1 초 동안 바퀴는 10 번, GPS 는 1 번 정보를 줍니다.
저자는 이 1 초 동안의 모든 정보를 하나의 큰 블록으로 묶어서 봅니다.
마치 10 박자 (바퀴) 와 1 박자 (GPS) 가 섞인 리듬을 하나의 악보로 정리해서, 매 라운드마다 같은 패턴으로 반복되는 것으로 간주하는 것입니다. 이렇게 하면 복잡한 '시간에 따라 변하는 문제'가 단순한 '고정된 문제'로 바뀝니다.

② "불완전한 퍼즐을 맞추는 새로운 도구" (LMI 기반 설계)

이렇게 묶어보니, 새로운 문제가 생겼습니다. GPS 가 없는 9 초 동안은 위치 정보가 '0'이 되어, 수학적으로 불완전한 (Positive Semidefinite) 상태가 됩니다. 기존 공식은 "모든 정보가 완벽해야 한다"고 강요해서 이걸 처리 못 했습니다.

저자는 **LMI(선형 부등식)**라는 새로운 수학적 도구를 사용했습니다.

비유: 기존 공식이 "퍼즐 조각이 100% 완벽해야 그림을 그릴 수 있다"고 했다면, 저자의 방법은 **"조각이 일부 비어있어도, 빈 공간을 채워 넣을 수 있는 유연한 접착제 (LMI)"**를 발라 그림을 완성하는 것입니다.
이 방법은 **불완전한 정보 (0 이 포함된 노이즈)**도 자연스럽게 받아들이고, 가장 정확한 답을 찾아줍니다.

3. 추가 기능: "원하는 대로 조절하기"

이 새로운 방법은 단순히 정확한 것뿐만 아니라, 사용자의 필요에 따라 성격을 조절할 수도 있습니다.

빠른 반응 (Pole Placement): "오차가 생기면 빨리 고쳐야 해!"라고 하면, 필터가 더 민첩하게 반응하도록 설정할 수 있습니다. (대신 약간의 오차가 더 커질 수 있음)
최악의 상황 대비 (Robustness): "갑작스러운 큰 오차 (예: GPS 신호 방해) 에도 끄떡없어야 해!"라고 하면, 최악의 경우에도 성능이 떨어지지 않도록 튼튼하게 만들 수 있습니다.

이 모든 것을 하나의 수식 (최적화 문제) 안에서 원하는 대로 섞어서 설계할 수 있습니다.

4. 실제 결과: "자동차가 길을 잃지 않다"

저자는 이 방법을 실제 자동차 시뮬레이션에 적용해 보았습니다.

결과: GPS 가 1 초에 한 번만 업데이트되어도, 바퀴 속도계와 잘 섞여서 위치 오차 (1 미터) 를 0.56 미터 수준으로 줄였습니다.
의미: GPS 가 신호를 잃고 1 초 동안 정보를 주지 않아도, 바퀴 속도계와 수학적 예측을 통해 차가 어디에 있는지 매우 정확하게 추적할 수 있게 된 것입니다. 마치 눈이 가려진 상태에서, 발소리와 기억만으로 길을 찾는 마법과 같습니다.

5. 한 줄 요약

**"서로 다른 속도로 정보를 주는 센서들 (느린 GPS, 빠른 바퀴) 을 하나의 리듬으로 묶고, 불완전한 정보도 처리할 수 있는 새로운 수학적 도구 (LMI) 를 써서, 자동차가 길을 잃지 않고 가장 정확하게 위치를 찾도록 만든 방법"**입니다.

이 기술은 자율주행차, 드론, 공장 로봇 등 여러 센서를 쓰는 모든 첨단 기기의 성능을 높이는 데 쓰일 수 있습니다.

제시된 논문 "LMI Optimization Based Multirate Steady-State Kalman Filter Design"의 기술적 요약은 다음과 같습니다.

1. 연구 배경 및 문제 정의 (Problem)

현대 제어 및 신호 처리 시스템 (자율주행차, 로봇, 산업 공정 등) 에서는 다양한 센서 (예: GPS, IMU, 휠 속도 센서) 가 서로 다른 샘플링 주파수로 동작하는 다중 레이트 (Multirate) 환경이 일반적입니다.

기존 방법의 한계: 기존의 칼만 필터는 모든 측정이 동일한 샘플링 주기로 이루어진다고 가정합니다. 다중 레이트 시스템을 처리하기 위해 '리프팅 (Lifting)' 기법이나 '순환 재구성 (Cyclic Reformulation)' 기법이 사용되지만, 특히 순환 재구성을 통해 주기적 시스템을 시간 불변 (Time-invariant) 시스템으로 변환할 때 발생하는 측정 노이즈 공분산 행렬 ( $\check{R}$ ) 이 양의 준정부호 (Positive Semidefinite) 가 되는 문제가 있습니다.
핵심 문제: 센서가 특정 시점에 데이터를 제공하지 않을 때, $\check{R}$ 행렬의 일부 블록이 특이 (Singular) 해지거나 랭크가 감소하여 양의 정부호 (Positive Definite) 가 되지 않습니다. 이로 인해 표준 이산 시간 대수적 리카티 방정식 (DARE) 을 사용하여 최적 칼만 이득을 구하는 방법이 수치적으로 불안정해지거나 적용 자체가 불가능해집니다.

2. 제안된 방법론 (Methodology)

저자는 다중 레이트 시스템을 위한 LMI (Linear Matrix Inequality) 기반의 설계 프레임워크를 제안합니다.

순환 재구성 (Cyclic Reformulation): 주기 $N$ 을 갖는 다중 레이트 시스템을 상태 공간 확장을 통해 시간 불변 시스템으로 변환합니다. 이 과정에서 측정 노이즈 공분산 $\check{R}$ 은 대각 블록 구조를 가지며, 일부 블록이 0 이 되어 준정부호 성질을 띠게 됩니다.
이중 LQR (Dual LQR) 형식화 및 LMI 최적화:
- 표준 DARE 의 역행렬 계산 문제를 회피하기 위해, 칼만 필터링 문제를 이중 LQR (Linear Quadratic Regulator) 문제로 변환합니다.
- 이를 통해 LMI 최적화 문제로 재구성합니다. LMI 접근법은 $\check{R}$ 이 준정부호인 경우에도 역행렬을 요구하지 않으므로 수치적으로 안정적입니다.
- 목적 함수: 추정 오차 공분산의 상한 (Upper Bound) 인 $\text{trace}(\check{W})$ 를 최소화합니다.
다목적 설계 확장 (Multi-objective Extensions):
- 극점 배치 (Pole Placement): 추정 오차의 수렴 속도를 보장하기 위해 폐루프 시스템의 고유값을 특정 원반 영역 ( $|z| < \bar{r}$ ) 내에 배치하는 제약을 추가합니다.
- $l_2$ -유도 노름 제약 ( $l_2$ -induced Norm): 평균 성능뿐만 아니라 최악의 경우 (Worst-case) 성능을 제한하기 위해 외부 교란에서 추정 오차로의 이득을 제한하는 $H_\infty$ 유사 제약을 추가합니다.

3. 주요 기여 (Key Contributions)

준정부호 공분산 처리: 다중 레이트 시스템에서 발생하는 준정부호 측정 노이즈 공분산 ( $\check{R} \succeq 0$ ) 을 표준 DARE 없이 LMI 를 통해 자연스럽게 처리하는 방법을 제시했습니다.
안정성 보장: 제안된 LMI 해법이 폐루프 시스템의 슈르 (Schur) 안정성을 보장함을 증명했습니다. 이는 주기 시스템의 안정성과 모노드로미 행렬 (Monodromy Matrix) 간의 관계를 통해 검증되었습니다.
유연한 다목적 설계: 단일 볼록 최적화 문제 내에서 평균 성능 (칼만 필터), 수렴 속도 (극점 배치), 그리고 강인성 ( $l_2$ -노름) 을 동시에 고려한 설계 프레임워크를 구축했습니다.
실증적 검증: 자동차 내비게이션 시스템 (GPS 1Hz, 휠 속도 10Hz) 을 대상으로 한 수치 시뮬레이션을 통해 방법론의 유효성을 입증했습니다.

4. 실험 결과 (Results)

시뮬레이션 설정: 3 차원 상태 (위치, 속도, 가속도) 를 가진 자동차 모델에 GPS(1Hz) 와 휠 속도 센서 (10Hz) 를 적용하여 500 회 몬테카를로 시뮬레이션을 수행했습니다.
성능 평가:
- 위치 추정 오차 (RMSE): 제안된 필터의 위치 RMSE 는 0.561m로, GPS 센서 자체의 노이즈 표준편차 (1.0m) 보다 훨씬 낮았습니다. 이는 다중 레이트 센서 융합이 위치 추정 정확도를 크게 향상시킴을 의미합니다.
- 상한 검증: LMI 를 통해 계산된 이론적 오차 공분산 상한 (Theory UB) 은 몬테카를로 시뮬레이션 결과보다 약간 크거나 거의 일치했습니다 (비율 1.002~1.046). 이는 제안된 LMI 해법이 유효하고 보수성이 낮은 상한을 제공함을 확인시켜 주었습니다.
다목적 설계 트레이드오프:
- 극점 배치 제약을 강화할수록 (더 빠른 수렴) 추정 오차 공분산의 크기는 증가하는 비선형적인 트레이드오프 관계가 관찰되었습니다.
- $l_2$ -노름 제약을 강화할수록 최악의 경우 교란에 대한 이득은 감소하지만, 평균 추정 성능은 저하되는 경향을 보였습니다.

5. 의의 및 결론 (Significance)

이 논문은 다중 레이트 센서 환경에서 기존 DARE 기반 방법의 수치적 한계를 LMI 기반의 강력한 최적화 기법으로 극복했습니다.

실용성: 자동차 내비게이션과 같이 서로 다른 주파수의 센서를 융합해야 하는 실제 공학 문제에 직접 적용 가능한 체계적인 설계 도구를 제공합니다.
확장성: LMI 프레임워크의 특성상 시스템 불확실성 (Polytopic Uncertainty), 지연 시스템, 그리고 비선형 시스템 (EKF 확장) 으로 자연스럽게 확장 가능한 잠재력을 가지고 있습니다.
결론: 제안된 프레임워크는 다중 레이트 시스템에서 안정성, 수렴 속도, 강인성, 그리고 추정 정확도를 동시에 고려한 최적의 칼만 필터 설계를 가능하게 하여, 복잡한 현대 제어 시스템의 상태 추정 성능을 획기적으로 개선할 수 있음을 입증했습니다.