상태 추정(State estimation)은 레이더 감시 및 대드론(counter-UAV) 방어부터 자율 주행과 로보틱스에 이르기까지 모든 실시간 추적 시스템의 폐루프(closed-loop) 핵심입니다. 이러한 배포 환경은 방어 시스템이 차량이나 드론에 장착되는 에지(edge) 플랫폼이나, 민간 파이프라인이 자동차 및 휴대용 기기에서 작동하는 환경에서 실행됩니다. 여기서 추가되는 모든 컴퓨팅 전력(watt)은 임무 지속 시간이나 운용 범위를 저하시킵니다. 이에 따라 두 가지 엄격한 제약 조건이 따릅니다: 각 새로운 측정값은 다음 제어 주기(control cycle) 이전에 융합되어야 하며, 총 컴퓨팅량은 엄격한 배터리 및 열 전력 범위 내에 들어와야 합니다. 선형 및 확장 칼만 필터(LKF, EKF)는 이러한 시스템에서 지배적인 추정기이지만, 현재 이들은 다중 객체 추적(MOT) 업데이트를 직렬화하는 CPU에서 거의 독점적으로 실행되거나, 설계 주기를 늘리는 맞춤형 FPGA/ASIC 가속기에서 실행됩니다. Intel Core Ultra Series 1 및 2와 같은 현대적인 AI-PC SoC는 저전력 데이터 병렬 신경망 처리 장치(NPU)를 통합하고 있습니다. 따라서 우리는 전용 가속기를 피하고 CPU와 GPU를 주요 워크로드용으로 자유롭게 유지하면서, 실시간 및 저전력 예산을 동시에 충족하기 위해 칼만 필터를 기존의 행렬 엔진(matrix engine)에 매핑할 수 있는지 질문합니다. 우리는 상용 NPU에 LKF 및 EKF를 최초로 엔드 투 엔드(end-to-end) 매핑하는 KATANA를 제시하며, 출시된 AI-PC 실리콘에 대한 교차 플랫폼 특성 분석을 함께 제공합니다. KATANA는 세 가지 대수적 그래프 재작성(algebraic graph rewrites)을 적용합니다: 사전 계산된 음의 투영 행렬 $H_{neg}$를 통한 뺄셈-덧셈 재구성(subtract-to-add reformulation), 정적 형태 텐서 융합(static-shape tensor fusion), 그리고 블록 대각 배치 병렬화(block-diagonal batched parallelization)를 통해 연산의 100%가 DPU 행렬 엔진에서 실행되도록 보장합니다. Series 2에서 최적화된 배치(batched) EKF는 13.43W의 활성 전력에서 223.35 FPS에 도달하며, LKF는 14.05W에서 408.73 FPS에 도달하여 CPU 구현 대비 동적 에너지(dynamic energy)를 최대 97.9%까지 절감합니다.