Control & Stability

Overview

Sensor Fusion 및 Kalman Filtering(Sensor Fusion & Kalman Filtering, SFKF)는 Robotics & Control Systems Mechanics 아래에 놓인 cluster 노드입니다. 이 문서는 Sensor Fusion & Kalman Filtering가 컴퓨터 구조와 임베디드 시스템 축에서 맡는 역할, 인접 경계, 대표 산출물을 설명합니다.

핵심은 Sensor Fusion & Kalman Filtering를 이름으로만 외우지 않고, 어떤 문제를 다루며 무엇을 제외하는지, 그리고 어떤 학습 작업으로 이해를 검증할 수 있는지 연결해 보는 데 있습니다.

Scope & Boundaries

In-Scope

• Sensor Fusion & Kalman Filtering의 핵심 개념, 입력-처리-출력 흐름, 대표 산출물
• Sensor Fusion & Kalman Filtering를 설명할 때 필요한 선택 기준과 trade-off
• Sensor Fusion & Kalman Filtering의 구현, 운영, 보안, 관측성 체크포인트

Out-of-Scope

• 상위 노드 Robotics & Control Systems Mechanics 전체를 다시 설명하는 일
• 인접 축 Operating Systems & System Mechanics, Network & Communication의 상세 구현을 중복 서술하는 일
• 특정 벤더 콘솔 조작 순서만 나열하는 문서

Boundaries

• 현재 노드는 Robotics & Control Systems Mechanics와 하위 개념 사이에서 Sensor Fusion & Kalman Filtering의 책임 경계를 설명합니다.
• 포함/제외 기준은 P1, P3, P5에 맞춰 문제 정의, 주 책임, 실패 모드 차이로 설명합니다.

Counterexample

• Sensor Fusion & Kalman Filtering를 단순 도구 이름이나 유행 키워드로만 이해하면 실제 경계와 선행 지식을 놓치기 쉽습니다.
• Sensor Fusion & Kalman Filtering를 Computer Architecture & Embedded Systems 전체와 같은 뜻으로 쓰면 single-home 규칙이 무너지고, 같은 내용을 여러 node에 반복하게 됩니다.
• 적용 조건이 다른 문제에 Sensor Fusion & Kalman Filtering를 그대로 가져오면 과잉 설계, 검증 누락, 운영 비용 증가로 이어질 수 있습니다.

Prerequisites

• Robotics & Control Systems Mechanics(로보틱스 및 제어 시스템 메커니즘, PAR) — 사용 단계: Basic. 직접 상위 node의 범위와 용어를 먼저 알아야 현재 주제의 경계를 정확히 설명할 수 있습니다. (Primary)
• 컴퓨터 구조와 임베디드 시스템(Computer Architecture & Embedded Systems, CAES) — 사용 단계: Recommended. 현재 node를 상위 축의 문제 공간과 연결해야 실무 맥락이 생깁니다. (Primary)
• Operating Systems & System Mechanics(Operating Systems & System Mechanics, XREF) — 사용 단계: Practical. 인접 축과의 연결 지점을 알아야 경계와 trade-off를 설명할 수 있습니다. (Primary)
• Network & Communication(Network & Communication, XREF) — 사용 단계: Practical. 인접 축과의 연결 지점을 알아야 경계와 trade-off를 설명할 수 있습니다. (Primary)

Learning Map

1. Sensor Fusion & Kalman Filtering의 정의와 핵심 용어를 먼저 정리합니다.
2. Sensor Fusion & Kalman Filtering를 상위 node Robotics & Control Systems Mechanics와 연결해 데이터 흐름 또는 제어 흐름을 설명합니다.
3. Sensor Fusion & Kalman Filtering를 구현, 운영, 보안, 관측성 체크리스트에 연결합니다.
4. 관련 축 Robotics & Control Systems Mechanics, Operating Systems & System Mechanics, Network & Communication와의 차이와 연결 지점을 정리합니다.

Learning Topics

Basic

Basic

Core Topic 1. 센서 퓨전의 물리적 필요성과 상보 필터(Complementary Filter)

• Core: Sensor Fusion & Kalman Filtering를 센서 퓨전 필요성 및 상보 필터 관점에서 설명하고 적용하는 능력
• Why to Learn: 단일 센서(가속도계의 고주파 노이즈, 자이로스코프의 저주파 드리프트)의 물리적 한계를 극복하기 위해 다수 데이터를 물리적으로 결합하는 기초 원리를 이해해야 합니다.
• What to Learn: Sensor Noise Characteristics (Drift vs. Noise), Complementary Filter topology, Weighting Factors, Attitude Estimation (Roll/Pitch)
• How to Learn:
  1. 가속도계와 자이로스코프 데이터를 Low-pass와 High-pass 필터로 결합하여 각도를 추정하는 물리 연산 과정을 요약합니다.
  2. 필터 계수 alpha 값이 시스템의 응답성과 노이즈 감쇄 성능에 미치는 물리적 영향을 분석합니다.
• Implement: 상보 필터 동작 원리 카드
• Failure modes/trade-offs: 급격한 가속 상황에서 가속도계 데이터가 중력 벡터를 왜곡하는 현상

Core Topic 2. 확률적 상태 추정과 가우시안 노이즈(Gaussian Noise)

• Core: Sensor Fusion & Kalman Filtering를 확률적 상태 추정 관점에서 설명하고 적용하는 능력
• Why to Learn: 센서 데이터의 불확실성을 물리적 확률 분포로 모델링하여 최적의 상태를 예측하기 위함입니다.
• What to Learn: Recursive Bayesian estimation, Normal Distribution (Gaussian), Mean and Variance physics, Prediction vs. Correction
• How to Learn:
  1. 센서 오차를 평균 0인 정규 분포로 가정했을 때, 측정값이 반복될수록 오차 범위가 어떻게 좁혀지는지 물리적으로 정리합니다.
  2. 이전 상태의 예측값과 현재 측정값의 가중 평균이 물리적 상태 추정의 핵심임을 도식화합니다.
• Implement: 가우시안 추정 요약 노트
• Failure modes/trade-offs: 정규 분포를 따르지 않는 비선형 노이즈(Outlier)에 대한 취약성

Core Topic 3. 칼만 필터의 5단계 반복 알고리즘(Loop)

• Core: Sensor Fusion & Kalman Filtering를 칼만 필터 루프 관점에서 설명하고 적용하는 능력
• Why to Learn: 임베디드 실시간 제어 루프 내에서 상태를 지속적으로 업데이트하는 물리적 계산 과정을 명확히 인지해야 합니다.
• What to Learn: State transition (F), Covariance matrix (P), Kalman Gain (K), Measurement residual
• How to Learn:
  1. 예측(Predict) 단계의 State/Covariance 갱신과 보정(Correct) 단계의 Gain 계산 과정을 물리적 순서대로 정리합니다.
  2. 칼만 게인(K)이 센서 신뢰도와 예측 신뢰도 사이에서 물리적으로 어떤 비중을 조절하는지 분석합니다.
• Implement: 칼만 알고리즘 루프 비교표
• Failure modes/trade-offs: 연산 복잡도(Matrix inversion)로 인한 저성능 MCU에서의 처리 지연

Recommended

Recommended

Core Topic 1. 확장 칼만 필터(EKF)의 비선형 물리 모델링

• Core: Sensor Fusion & Kalman Filtering를 확장 칼만 필터 비선형 모델링 관점에서 설명하고 적용하는 능력
• Why to Learn: 자율주행 차량의 회전이나 이동 로봇의 기구학(Kinematics)은 선형식이 아닌 비선형 관계가 많으므로 야코비안(Jacobian)을 통한 선형화가 필수적입니다.
• What to Learn: Nonlinear Dynamics, Jacobian Matrix physics, Linearization at Operating point, State transition mapping
• How to Learn:
  1. 회전 좌표계 변환과 같은 비선형 함수를 테일러 급수로 전개하여 1차 선형 모델로 근사하는 과정을 요약합니다.
  2. 물리 모델링 오차가 EKF의 잔차(Residual)와 공분산 수렴 속도에 미치는 영향을 분석합니다.
• Implement: 비선형 상태 전이 모델 스케치
• Failure modes/trade-offs: 심한 비선형 구간에서 선형화 오차로 인한 필터 발산(Divergence)

Core Topic 2. IMU와 GNSS의 물리적 전역 위치 퓨전

• Core: Sensor Fusion & Kalman Filtering를 IMU-GNSS 물리 퓨전 관점에서 설명하고 적용하는 능력
• Why to Learn: GPS의 저주파 절대적 신뢰성과 IMU의 고주파 상대적 정밀도를 결합하여 실외 로봇의 물리적 실시간 생존을 보장해야 합니다.
• What to Learn: Loose vs. Tight coupling, Coordinate frames (NED, ECEF), Velocity/Heading estimation, Latency compensation
• How to Learn:
  1. GPS 수신 지연(Latency)이 발생했을 때 IMU 데이터를 이용해 현재 물리 위치를 예측(Dead Reckoning)하는 구조를 정리합니다.
  2. 두 센서의 샘플링 주기가 다를 때 Multi-rate Kalman Filter가 작동하는 물리적 데이터 타임라인을 설계합니다.
• Implement: 다중 센서 타임라인 설계 맵
• Failure modes/trade-offs: 터널 입구 등 GPS 점프 현상 발생 시 발생하는 물리 위치 추정 오류

Core Topic 3. 공분산 행렬(Covariance Q/R) 물리 파라미터 튜닝

• Core: Sensor Fusion & Kalman Filtering를 공분산 행렬 튜닝 관점에서 설명하고 적용하는 능력
• Why to Learn: 수학적 칼만 필터가 아닌, 실제 물리적 하드웨어의 불확실성(Q)과 센서 측정 한계(R)를 정량적으로 제어하기 위함입니다.
• What to Learn: Process Noise (Q), Measurement Noise (R), Convergence Analysis, Tuning trade-off (Trust in model vs. sensor)
• How to Learn:
  1. R 값을 높였을 때 필터 응답이 물리적으로 어떻게 둔해지는지 시뮬레이션 결과를 요약합니다.
  2. 시스템의 물리적 진동이 심해질 때 Q 값을 어떻게 조정해야 안정적인 추정이 가능한지 설계합니다.
• Implement: 필터 성능 trade-off 분석표
• Failure modes/trade-offs: 너무 작은 R 값 설정으로 인한 추정치 진동(Sensor noise bypass)

Practical

Practical

Core Topic 1. 고정 소수점(Fixed-point) 환경에서의 행렬 연산 최적화

• Core: Sensor Fusion & Kalman Filtering를 고정 소수점 최적화 관점에서 설명하고 적용하는 능력
• Why to Learn: FPU가 없는 저사양 임베디드 시스템에서 칼만 필터의 부동 소수점 연산을 물리적 성능 한계 내로 밀어 넣어야 하기 때문입니다.
• What to Learn: Q-format notation, Fixed-point Matrix Inversion, Precision vs. Performance trade-off, Underflow/Overflow physics
• How to Learn:
  1. float 타입의 행렬 곱셈을 int32_t와 비트 시프트 연산으로 변환했을 때 발생하는 수치적 정밀도 손실을 요약합니다.
  2. 연산 시간을 획기적으로 줄이면서도 물리적 상태 추정이 유효한 최소 비트 수를 도출합니다.
• Implement: 최적화 필터 알고리즘 코드
• Failure modes/trade-offs: 수치 불안정성(Numerical instability)으로 인한 공분산 행렬 파괴

Core Topic 2. 다중 센서 데이터 동기화와 아웃라이어(Outlier) 제거

• Core: Sensor Fusion & Kalman Filtering를 데이터 동기화 및 아웃라이어 제거 관점에서 설명하고 적용하는 능력
• Why to Learn: 통신 지연이나 물리적 충격으로 발생하는 잘못된 데이터를 걸러내어 제어 시스템의 폭주를 막아야 합니다.
• What to Learn: Time-sync Physics, Chi-square test, Mahalanobis Distance, Innovation gate logic
• How to Learn:
  1. 측정값과 예측값 사이의 거리(마할라노비스 거리)를 계산하여 물리적 실현 가능 범위를 벗어난 데이터를 거부하는 로직을 흐름도로 그립니다.
  2. 여러 센서 데이터의 타임스탬프를 동기화하여 물리적으로 동일 시점의 상태를 퓨전하는 워크플로우를 요약합니다.
• Implement: 로봇 안정성 보장 체크리스트
• Failure modes/trade-offs: 정상적인 급변 상태를 아웃라이어로 오인하여 제어 반응이 늦어지는 문제

Core Topic 3. 필터 잔차(Residual) 모니터링 및 센서 고장 진단

• Core: Sensor Fusion & Kalman Filtering를 잔차 모니터링 및 고장 진단 관점에서 설명하고 적용하는 능력
• Why to Learn: 센서가 물리적으로 파손되거나 노이즈가 급증했을 때, 필터 내부의 잔차 수치를 통해 하드웨어 상태를 관측(Observability)해야 합니다.
• What to Learn: Residual analysis, Fault Detection and Isolation (FDI), Innovation sequence physics, Diagnostic logs
• How to Learn:
  1. 필터가 수렴한 상태에서 발생하는 잔차의 물리적 통계 특성을 기록하고, 갑작스러운 잔차 증가를 하드웨어 고장과 연결하여 분석합니다.
  2. 고장난 센서를 퓨전 루프에서 물리적으로 격리(Isolate)하고 안전 모드로 진입하는 정책을 구상합니다.
• Implement: 센서 상태 모니터링 런북
• Failure modes/trade-offs: 필터 자체가 발산하여 하드웨어 고장으로 오판하는 False positive

Advanced

Advanced

Core Topic 1. 무향 칼만 필터(UKF)와 파티클 필터(Particle Filter)

• Core: Sensor Fusion & Kalman Filtering를 UKF 및 파티클 필터 관점에서 설명하고 적용하는 능력
• Why to Learn: 가우시안 근사가 불가능한 극한의 비선형성이나 다봉 분포(Multi-modal) 환경에서 로봇의 물리적 위치를 정확히 추정하기 위함입니다.
• What to Learn: Sigma Points, Unscented Transform, Importance Sampling, Resampling physics
• How to Learn:
  1. EKF의 야코비안 선형화 대신 샘플 포인트(Sigma Points)를 직접 변환하는 UKF의 물리적 이점을 분석합니다.
  2. 입자(Particles)의 농도를 통해 로봇이 자신의 물리적 위치를 확률적으로 좁혀가는 과정을 도식화합니다.
• Implement: 비가우시안 추정 전략 가이드
• Failure modes/trade-offs: 입자 수 증가로 인한 전산 자원 고갈 및 실시간성 상실

Core Topic 2. 오차 상태 칼만 필터(Error-state KF)와 관성 항법

• Core: Sensor Fusion & Kalman Filtering를 오차 상태 칼만 필터 관점에서 설명하고 적용하는 능력
• Why to Learn: 상태값(위치, 속도) 자체가 아닌 "오차"를 추정하여 수치적 안정성을 높이고 quaternions 기반의 물리 전개를 정밀하게 수행해야 합니다.
• What to Learn: Nominal vs. Error state, Quaternion kinematics, Fast vs. Slow manifold, Gravity compensation
• How to Learn:
  1. 실제 물리 거동은 고주파 적분으로 처리하고, 오차 보정만 저주파 칼만 필터로 수행하는 구조를 요약합니다.
  2. 쿼터니언 적분 시 발생하는 물리적 누적 오차를 ESKF가 어떻게 효과적으로 제어하는지 정리합니다.
• Implement: 고정밀 항법 위험 분석표
• Failure modes/trade-offs: 오차 모델과 실제 물리 특성 간의 불일치로 인한 편향(Bias) 발생

Core Topic 3. 실시간 분산 센서 퓨전 거버넌스

• Core: Sensor Fusion & Kalman Filtering를 분산 센서 퓨전 거버넌스 관점에서 설명하고 적용하는 능력
• Why to Learn: 다수의 분산된 센서 노드(DDS 기반 환경 등)에서 데이터가 충돌하거나 누락될 때 시스템의 물리적 합의를 보장해야 합니다.
• What to Learn: Distributed Estimation, Information Filtering, Consensus algorithms, Safety-critical fusion levels
• How to Learn:
  1. 중앙 집중식이 아닌 각 노드에서 부분 추정을 수행하고 정보를 교환하여 전체 해를 찾는 과정을 구상합니다.
  2. 특정 센서 그룹의 신뢰 데이터가 충돌할 때 물리적 우선순위에 근거하여 최종 상태를 결정하는 거버넌스 정책을 설계합니다.
• Implement: 분산 퓨전 의사결정 로그
• Failure modes/trade-offs: 네트워크 지연으로 인한 분산 노드 간의 물리적 상태값 불일치

Terminology

References

Primary

• [P1] CS2023 — 컴퓨터 과학 핵심 Knowledge Area 분류
• [P3] CyBOK — 사이버 보안 지식 체계
• [P5] SFIA v9 — 산업 역할 및 역량 수준 프레임

Secondary

• Computer Systems: A Programmer's Perspective
• Embedded Artistry Field Atlas

Industry

• ARM Developer Documentation
• Intel Developer Zone

Final Checklist

Primary Criteria

• 가속도계와 자이로스코프의 물리적 주파수 응답 특성(Noise vs. Drift)을 근거로 상보 필터의 계수를 산정했는가?
• 칼만 필터의 예측(Predict)과 보정(Correct) 단계가 물리적 상태 추정 과정에서 어떻게 순환되는지 도식화했는가?
• 상태 전이 행렬(F)과 측정 행렬(H)이 로봇의 실제 물리적 모델(등속도/등가속도 등)을 정확히 반영하는지 검증했는가?

Secondary Criteria

• 시스템의 비선형성(Nonlinearity)을 해결하기 위해 야코비안 행렬을 활용한 EKF 선형화 과정을 코드 수준에서 확인했는가?
• 실외 기동 시 GNSS 데이터의 절대 위치와 IMU의 상대 위치를 칼만 필터로 퓨전하여 드리프트를 물리적으로 억제했는가?
• 프로세스 노이즈(Q)와 측정 노이즈(R) 공분산 값이 필터 수렴 속도와 응답성에 미치는 영향을 실험적으로 튜닝했는가?

Industry Criteria

• 부동 소수점 연산 능력이 제한된 MCU 환경을 고려하여 고정 소수점(Fixed-point) 행렬 연산 라이브러리를 최적화하여 적용했는가?
• 마할라노비스 거리(Mahalanobis Distance) 등을 활용하여 물리적 범위를 벗어난 이상치(Outlier)를 실시간으로 필터링하는가?
• 필터 잔차(Residual)의 통계적 특성을 실시간 텔레메트리로 관측하여 센서 하드웨어의 물리적 열화나 고장을 진단하는 런북을 갖췄는가?