Stanford AA274A Principles of Robotic Autonomy

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Stanford AA274A 보충 강의는 파티클 필터 SLAM을 확률 분해, 예측, 재표본추출을 중심으로 다룬다.

📌 핵심 요점

1. 강의의 주제는 파티클 필터 SLAM이다. 초반에는 온라인 SLAM 문제를 언급하지만, 제공된 발췌에는 문제의 완전한 수학적 정의가 담겨 있지 않다.
2. 확률 분해의 근거를 설명한다. 13:55에는 분해를 증명하겠다고 예고하고, 28:00에는 귀납 가정을 명시한다. 다만 어떤 분포를 어떤 조건에서 분해하는지는 발췌만으로 확인하기 어렵다.
3. 입자의 표현과 예측 단계를 다룬다. 33:20~33:35에는 입자를 가설의 결합으로 소개하는 문장이 나오고, 36분대의 입자 전파 설명에 이어 39:12에는 예측 단계를 명시한다.
4. 사후분포와 복원추출 방식의 재표본추출을 언급한다. 41:58에는 사후분포, 46:29에는 복원추출을 통한 재표본추출이 등장한다. 구체적인 계산식과 실행 조건은 추가 확인이 필요하다.
5. 관련 추정 기법도 언급한다. 후반에는 EKF 위치 추정, 최대우도, 센서 융합이 등장한다. 각 개념이 파티클 필터 SLAM과 어떻게 연결되는지는 문장이 잘려 있어 확정하기 어렵다.

🧩 배경과 문제 정의

• SLAM은 잡음이 있는 관측과 제어 이력을 바탕으로 로봇의 위치와 환경 지도를 함께 추정하는 문제다.
• 기존 EKF SLAM은 가우시안 근사를 사용한다. 입자 표현은 여러 봉우리를 가진 믿음 분포와 비선형성이 강한 상태 전이·관측 모델을 다루는 데 유리하다.
• 궤적과 지도 전체를 입자로 표현하면 차원이 커져 계산이 어려워진다. 이를 해결하는 핵심은 로봇 경로가 주어졌을 때 특징점 추정 사이에 성립하는 조건부 독립성이다.

🕒 시간순 섹션별 상세정리

1. 가우시안 근사와 입자 표현의 차이

• 실용적인 필터링은 가우시안 분포 같은 모수적 근사와 입자를 이용한 믿음 분포 표현으로 나뉜다. [00:10]
• 비모수적인 입자 표현은 믿음 분포가 다봉형이거나 상태 전이와 관측 모델의 비선형성이 강한 상황에 더 폭넓게 적용할 수 있다. [00:33]

2. 전체 궤적과 지도를 추정하는 full SLAM

• 측정과 제어 이력을 조건으로 시작 시점부터 현재까지의 상태열과 특징점으로 구성된 지도 M의 결합 사후분포를 추정한다. [02:00]
• Full SLAM은 로봇의 전체 궤적을 추정한다. 앞서 다룬 online SLAM은 지도와 현재 상태에 대한 사후분포를 구한다. [02:30]

3. 결합 사후분포를 그대로 입자화할 때의 차원 문제

• 전체 사후분포를 직접 입자로 표현하면 로봇 궤적뿐 아니라 모든 특징점의 위치까지 입자의 상태에 포함해야 하므로 차원이 매우 커진다. [02:59]
• 필요한 입자 수가 차원에 따라 지수적으로 증가하므로 수십만 개 이상의 입자가 필요할 수 있다. 이 차원의 저주는 단순한 입자 필터를 실질적인 SLAM 문제에 적용하기 어렵게 만든다. [03:51]

4. 경로를 조건으로 지도를 분리하는 혼합 필터

• 로봇의 참 경로를 알면 특징점들이 조건부 독립이 되므로 지도 추정을 여러 개의 저차원 하위 문제로 분해할 수 있다. [04:40]
• 입자 필터 SLAM은 로봇 경로를 입자로 표현하고, 각 경로를 조건으로 한 특징점 위치의 사후분포를 EKF로 근사한다. [05:10]

5. 전체 사후분포를 N+1개 분포로 인수분해

• 전체 추정 변수는 로봇의 상태열과 N개 특징점의 위치를 포함한다. 상태열 X₁:ₜ는 시작부터 현재까지의 상태를 묶은 표현이다. [06:18]
• 결합 사후분포는 궤적의 사후분포와 그 궤적을 조건으로 하는 개별 특징점 사후분포들의 곱으로 표현할 수 있다. [06:55]

6. 입자마다 유지하는 전체 경로와 특징점 EKF

• 특징점 EKF는 각 입자의 경로를 조건으로 하므로 입자가 M개이고 특징점이 N개이면 총 M×N개의 특징점 EKF가 필요하다. [09:07]
• 각 입자는 점진적으로 확장되는 전체 궤적의 한 실현을 나타내며, 그 궤적에 대응하는 N개 특징점의 위치 가설을 EKF로 유지한다. [10:00]

7. 경로 불확실성이 특징점 사이의 상관관계를 만든다

• 잡음이 있는 관측은 해당 시점의 로봇 상태와 관측한 특징점의 위치에 영향을 받는다. [12:09]
• 로봇의 정확한 궤적이 주어지면 한 특징점의 위치를 아는 것이 다른 특징점의 추정을 개선하지 않는다. 궤적을 모를 때는 특징점 사이에 상관관계가 존재한다. [12:28]

8. 조건부확률로 궤적과 지도 사후분포를 분리

• 조건부확률의 곱셈 법칙을 적용하면 궤적과 지도의 결합 사후분포를 궤적의 사후분포와 궤적에 조건화한 지도 사후분포의 곱으로 나눌 수 있다. [14:13]
• 지도 추정 항에서 경로와 측정이 주어지면 제어 입력은 특징점 위치에 관한 추가 정보를 제공하지 않으므로 조건 변수에서 제거할 수 있다. [15:39]

9. 관측 대상이 아닌 특징점의 분포는 유지된다

• 개별 특징점의 사후분포를 시점 t−1과 t 사이에서 비교할 때는 현재 관측이 그 특징점에 대응하는지를 구분한다. [16:56]
• 현재 측정이 특징점 n에 관한 것이 아니면, 경로를 조건으로 한 그 특징점의 사후분포는 새 측정 이후에도 변하지 않는다. [17:45]

10. 관측한 특징점은 베이즈 규칙으로 갱신한다

• 현재 관측이 특징점 n에 대응하면 위치에 관한 추가 정보가 생겨 사후분포가 갱신된다. 불확실성의 감소는 기대되는 결과이며 항상 보장된다고 단정하지 않는다. [18:49]
• 갱신된 특징점 사후분포는 베이즈 규칙에 따라 관측 우도와 갱신 전 특징점 분포의 곱을 관측 확률로 나누어 구한다. [20:47]

11. 마르코프 가정과 측정 유무로 조건 변수를 정리

• 마르코프 가정에 따라 현재 관측의 우도는 현재 로봇 상태와 해당 특징점으로 정해지며, 과거 상태와 과거 측정에 대한 조건을 제거할 수 있다. [21:15]
• 시점 t−1까지의 측정만 사용하는 특징점 분포에는 현재 상태 xₜ와 현재 대응 변수 cₜ가 추가 정보를 주지 않으므로 이 조건들도 제거한다. [22:04]

12. 수학적 귀납법으로 인수분해의 증명을 구성

• 지도 전체의 사후분포가 개별 특징점 사후분포의 곱이라는 명제를 수학적 귀납법으로 증명한다. 초기 경우를 확인하고 이전 단계의 성립이 다음 단계의 성립을 이끄는지 보인다. [23:52]
• 자연수 합 1+⋯+n=n(n+1)/2의 예에서는 n=1을 확인하고, n−1까지의 합이 (n−1)n/2라고 가정한다. [24:55]

13. 이전 시점의 분해를 현재 관측 갱신에 적용

• 시점 t−1까지 특징점 사후분포의 인수분해가 성립한다고 가정하고, 초기 시점의 성립을 바탕으로 시점 t의 분해를 유도한다. [27:34]
• 지도 전체의 사후분포에 베이즈 규칙과 앞선 조건 변수 단순화를 적용한 뒤, 이전 시점의 지도 분포를 귀납 가정에 따라 개별 특징점 분포의 곱으로 바꾼다. [28:07]

14. 관측된 특징의 갱신과 귀납법으로 사후분포 분해를 완성한다

• 현재 관측에 대응하는 특징의 사후분포는 이전 시점에서 현재 시점으로 넘어가는 갱신식을 적용해 바뀐다. [30:10]
• 관측된 특징의 항과 나머지 특징들의 곱을 합치면 전체 특징에 대한 곱이 된다. 기본 경우와 귀납 단계를 만족하므로 사후분포의 분해가 모든 시점에 성립한다. [31:19]

15. 경로는 파티클 필터로, 지도 특징은 조건부 EKF로 추정한다

• 경로 사후분포는 파티클 필터로 근사하고, 지도 특징은 로봇 경로를 조건으로 EKF를 적용해 추정한다. [31:53]
• 각 경로 가설을 나타내는 파티클마다 특징별 EKF를 하나씩 유지한다. [32:36]

16. 파티클은 로봇 상태 가설과 특징별 평균·공분산을 함께 가진다

• 각 파티클은 로봇 상태 가설뿐 아니라 특징별 EKF 정보도 포함한다. 특징 위치의 믿음은 평균과 공분산을 갖는 가우시안으로 표현한다. [32:49]
• 현재 구성은 특징의 수와 관측의 대응관계를 알고 있다고 가정한다. [33:56]

17. 갱신은 상태 예측, 특징 보정, 경로 보정으로 나뉜다

• 파티클 수가 M이고 특징 수가 N이면 각 파티클이 N개의 EKF를 가지므로 전체 EKF 수는 N×M이다. [34:57]
• 제어 입력으로 경로 사후분포를 앞으로 전파해 로봇 상태를 예측한다. [35:27]

18. 이전 상태 연결로 경로를 복원하고 전이모형으로 다음 상태를 뽑는다

• 파티클의 로봇 상태 부분에는 현재 상태를 저장하고, 이전 상태를 가리키는 포인터를 유지해 전체 경로를 역으로 복원한다. [37:07]
• 새 상태는 이전 상태와 현재 제어 입력에만 의존하는 마르코프 상태 전이모형에서 표본추출한다. [37:48]

19. 관측과 대응하지 않는 특징의 EKF는 유지한다

• 최신 관측이 어떤 특징에 대응하지 않으면 그 특징에 대한 추가 정보가 없다. 따라서 해당 EKF의 가우시안 평균과 공분산은 바꾸지 않는다. [39:56]

20. 관측된 특징은 측정모형을 선형화해 EKF로 보정한다

• 관측에 대응하는 특징의 사후분포는 베이즈 정리에 따라 기존 특징 분포와 측정모형의 곱에 정규화 상수를 적용해 구한다. [40:50]
• 기존 특징 분포는 EKF가 유지하는 가우시안이다. 측정모형을 선형화하면 가우시안끼리의 곱으로 갱신을 계산할 수 있다. [41:33]

21. 특징의 공분산은 파티클마다 다르고 로봇 위치는 파티클 집합으로 표현한다

• 특징 위치의 공분산에는 파티클 인덱스가 붙는다. 같은 특징이라도 파티클마다 서로 다른 평균과 공분산을 가질 수 있다. [43:27]
• 로봇 위치의 사후분포는 파티클 집합으로 표현하므로 별도의 로봇 위치 가우시안 공분산을 두지 않는다. 각 파티클에 연결된 가우시안은 특징 위치를 나타낸다. [44:12]

22. 관측과 양립하는 파티클을 복원추출로 더 많이 남긴다

• 제어 입력만 반영한 로봇 상태 분포를 관측에 맞추기 위해 파티클을 복원추출한다. 관측과 더 잘 맞는 파티클이 더 많이 대표되도록 한다. [45:52]
• 관측과 크게 어긋나는 상태 가설은 파티클 전체와 그 파티클에 연결된 특징별 EKF를 함께 제거한다. [46:41]

23. 중요도 가중치는 목표 분포와 예측 분포의 비에서 관측 우도로 압축된다

• 예측된 경로 분포는 이전 사후분포와 상태 전이모형의 곱이다. 목표는 최신 관측까지 반영한 경로 분포를 얻는 것이다. [47:14]
• 중요도 가중치는 목표 사후분포를 현재 예측 분포로 나눈 비로 정의한다. [48:25]

24. 관측 우도를 가우시안으로 근사해 전체 갱신을 계산한다

• 관측 우도를 빠르게 계산하기 위해 모형을 선형화하고 가우시안으로 표현한다. [52:03]
• 각 파티클에서 상태를 예측하고 특징별 EKF를 갱신하면서 중요도 가중치를 계산한다. 이후 가중치에 따라 파티클을 재표본추출한다. [52:53]

25. 파티클별 데이터 연관 이력이 대응 오류의 영향을 줄인다

• 대응관계가 알려지지 않으면 관측의 우도를 가장 크게 만드는 대응관계 변수를 최대우도로 선택한다. [54:24]
• 대응관계 선택은 각 파티클에 조건부로 이루어진다. 파티클들이 서로 다른 대응 이력을 유지하므로 하나의 이력만 사용하는 EKF보다 여러 가설을 보존할 수 있다. [55:02]

26. 가우시안 필터는 빠르지만 낮은 불확실성과 단일 모드에 적합하다

• 가우시안 필터는 불확실성의 원인을 가우시안으로 가정하고 상태 전이모형과 측정모형을 선형화한다. 계산이 비교적 빠르고 이론과 활용 경험이 축적되어 있다. [56:31]
• 단일 가우시안으로 믿음을 표현하고 대응관계 이력도 하나만 유지하므로 불확실성이 낮을 때 잘 작동한다. 로봇의 위치를 거의 모르는 상황에서는 단일 모드 표현이 부적절할 수 있다. [57:05]

27. 파티클 필터는 다중 모드를 표현하지만 차원과 표본 고갈에 제약을 받는다

• 파티클 필터는 다양한 잡음 분포를 다루고, 동역학 전파에 모형의 선형화 근사를 요구하지 않는다. 다중 모드 믿음을 표현하며 데이터 연관 오류에도 비교적 강하다. [58:25]
• SLAM 사후분포의 분해를 활용해도 여러 파티클을 유지해야 하므로 상태가 많은 고차원 문제에서는 확장성이 떨어진다. [58:44]

28. SLAM 연구는 가우시안·파티클 필터에서 그래프 최적화로 확장됐다

• SLAM은 로보틱스의 핵심 문제로 오랫동안 연구되었으며, EKF 기반 접근에 이어 대략 2000년 무렵부터 파티클 필터 접근이 등장했다. [59:23]
• 그래프 SLAM은 그래프 최적화 기법으로 SLAM 문제를 푸는 접근이며, 당시의 주요 첨단 방법 중 하나에 해당한다. [59:39]

29. SLAM의 발전 방향과 구현·평가 자료

• SLAM 연구는 EKF 중심의 고전적 단계에서 알고리즘의 정확성을 증명하는 단계로 발전했으며, 이어 문제가 발생하는 상황에서도 성능을 보장하려는 강건한 인식 단계로 이동했다. [1:00:19]
• 최종 프로젝트에는 오픈소스 SLAM 패키지를 활용한다. OpenSLAM은 공개 소프트웨어 목록을 제공하고, PTAM은 시각 정보를 이용하는 SLAM 구현이다. Google의 Tango는 중단된 프로젝트지만 연구실 로봇에 활용된 사례가 있다. [1:00:53]

30. 추정 알고리즘의 공통 원리와 다음 모듈·시험 일정

• 위치 추정과 지도 작성 알고리즘의 공통 기반은 베이즈 필터의 예측과 보정이다. 이 두 단계를 계산 가능하게 만드는 주요 방법은 선형화를 통한 가우시안 분포 처리, 입자 필터, 사후분포의 분해다. [1:02:50]
• 다음 날 시작하는 네 번째이자 마지막 모듈은 상태 머신과 의사결정을 다룬다. 중간고사는 금요일에 예정되어 있으며 예·아니오형 답변 방식으로 진행된다. [1:03:24]

🧾 결론

• 이 강의의 중심은 파티클 필터 SLAM의 확률적 표현과 처리 절차다.
• 확률 분해와 귀납적 논증은 알고리즘의 근거를 이해하기 위한 주요 학습 지점이다.
• 제공된 자료는 짧은 자막 발췌이므로, 수식·입자 구성·갱신 규칙까지 재구성할 근거는 부족하다.

📈 투자·시사 포인트

• 로봇 자율성 기술을 검토할 때 확률 표현, 예측, 재표본추출을 구분해 확인하는 기술 점검 항목으로 활용할 수 있다.
• EKF 위치 추정과 센서 융합은 후속 학습 주제로 연결할 수 있지만, 이 자료만으로 기법 간 성능 우열을 판단할 수는 없다.
• 기업별 구현 수준, 계산 비용, 실제 운용 성능에 관한 자료가 없으므로 사업성이나 투자 수익에 대한 결론으로 확장하기 어렵다.

⚠️ 불확실하거나 확인이 필요한 부분

• 자막이 문장 중간에서 끊겨 있어 확률 분해의 대상, 조건, 최종 수식을 확인할 수 없다.
• 입자를 구성하는 가설의 구체적인 내용과 예측·사후분포·재표본추출 사이의 계산 관계가 생략되어 있다.
• 19:26의 ‘future M’, 30:50의 ‘MCT’, 49:37의 ‘WT’는 표기나 전사 오류 가능성이 있어 원본 수식과 대조해야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 02:45~03:00 전후를 확인해 강의에서 정의하는 온라인 SLAM 문제를 기록한다.
• 13:55~30:50 전후의 수식을 확인해 확률 분해의 대상과 귀납 가정을 정리한다.
• 33:20~39:12 전후를 확인해 입자의 구성요소와 예측 단계의 입력·출력을 적는다.
• 41:58~49:37 전후를 확인해 사후분포, 재표본추출, WT 표기의 의미와 관계를 확인한다.

❓ 열린 질문

• 강의에서 증명하는 확률 분해는 어떤 조건을 전제로 하며, 무엇을 분리해 표현하는가?
• 하나의 입자는 구체적으로 어떤 가설과 정보를 담는가?
• 복원추출을 통한 재표본추출은 어떤 기준과 시점에 수행되는가?