신경망 보조 칼만 필터: 열화된 감지 환경에서의 UAV 상태 추정

비선형 동적 시스템의 정확한 상태 추정은 항공, 해상, 우주 등 현대 항공우주 운영 전반에 있어 기본적입니다. 민첩한 비선형 운동, 노이즈가 많고 희소한 센서 측정값, 그리고 알려지지 않은 제어 입력으로 인해 적대적인 무인항공기 (UAV) 의 온라인 추적은 특히 어렵습니다. 이러한 조건들은 고전적 칼만 필터 변종의 핵심 가정을 위반하여 추정 성능을 저하시킵니다. 신경망 (NNs) 은 데이터에서 복잡한 비선형 관계를 학습할 수 있지만, 상태 추정 작업에서 하류 결정을 주도하는 신뢰 구간이 필수적인 경우처럼 원리 기반의 불확실성 정량화 (uncertainty quantification) 를 갖추지 못합니다. 우리는 이를 베이지안 신경망 (BNNs) 으로 해결하며, 이는 네트워크 가중치에 대한 분포를 통해 불확실성을 모델링하고 몬테 카를로 샘플링을 통해 예측 평균과 불확실성을 생성합니다. 이를 바탕으로 우리는 훈련된 BNN 과 칼만 보정 단계를 결합하여 강건한 온라인 UAV 상태 추정을 위한 하이브리드 프레임워크인 베이지안 신경 칼만 필터 (BNKF) 를 제안합니다. 관련 신경 칼만 접근법과 달리 BNKF 는 전체 상태 예측을 생성하며, 불확실성을 공분산 전파에 직접 통합하여 고 노이즈 조건에서의 강건성을 향상시킵니다. 우리는 합성 비선형 UAV 비행 데이터를 사용하여 다양한 레이더 노이즈 수준과 샘플링 비율 하에서 BNKF 를 평가했습니다. 5 회 교차 검증 (five fold cross validation) 결과, 열화된 감지 환경에서 BNKF 가 확장 칼만 필터 (Extended Kalman Filter) 와 무향 칼만 필터 (Unscented Kalman Filter) 보다 정확도, 정밀도 및 진실 포함 (truth containment) 에서 우수한 성능을 보였습니다. 앙상블 변형인 BNKFe 는 소량의 정확도 트레이드오프를 치르더라도 고 노이즈 엣지 케이스에서 정밀도를 더욱 향상시킵니다. 실행 시간 분석은 최소한의 추론 오버헤드를 확인하여 실시간 배포의 실현 가능성을 지지합니다.