Stanford AA274A Principles of Robotic Autonomy

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

스탠퍼드 AA274A의 위치 추정·필터 강의는 로봇의 위치를 확률로 표현하고, 상태 전이와 측정을 바탕으로 믿음을 계산·정규화하는 틀을 다룬다.

📌 핵심 요점

1. 위치 추정의 출발점은 로봇이 세계를 기준으로 어디에 있는지 파악하는 것이다.
2. 강의에서는 지도 기반 접근을 소개한다. 다만 지도를 어떻게 표현하고 활용하는지는 제공된 발췌에 충분히 담겨 있지 않다.
3. 확률밀도의 적분, 확률변수, 조건부확률, 베이즈 규칙이 등장하며 위치 추정을 설명할 확률적 기초를 다룬다.
4. 상태 전이 방정식과 가능한 위치마다 확률을 부여하는 설명은 이동에 따른 위치 추정을 확률적으로 다룬다는 점을 보여준다.
5. 후반부에는 측정, 믿음 계산, 정규화가 등장한다. 이 요소들이 위치에 대한 확률적 판단을 구성하는 핵심 내용이다.

🧩 배경과 문제 정의

• 로봇이 안전하고 효율적으로 움직이려면 자신의 위치와 주변 물체의 상대적 위치를 알아야 한다.
• 위치추정과 지도작성은 지각 정보와 사전 정보를 결합해 환경을 이해하고, 의사결정과 제어에 필요한 정보를 제공한다.
• 센서 데이터가 순차적으로 들어올 때 위치와 불확실성에 대한 추정을 갱신하기 위해 확률 표현과 베이지안 필터링의 기초가 필요하다.

🕒 시간순 섹션별 상세정리

1. 자율 시스템에서 위치추정과 지도작성이 맡는 역할

• 지각 모듈은 센서 정보를 필터링하고 물체 검출 등으로 관련 정보를 추출하며, 위치추정·지도작성 모듈은 이를 사전 정보와 결합해 로봇의 위치와 주변 물체와의 관계를 추정한다. [00:36]
• 의사결정 모듈은 장면과 위치 정보를 바탕으로 차선 변경이나 가감속을 결정하고, 궤적 최적화·제어 모듈은 그 결정을 구동기의 실제 제어 입력으로 변환한다. [01:12]

2. 순차적인 데이터로 불확실한 추정을 갱신하는 베이지안 필터링

• 확률론은 위치추정과 지도작성 문제를 다루는 자연스러운 틀이며, 베이지안 필터링은 데이터를 순차적으로 받아 위치나 지도처럼 불확실한 양에 대한 추정을 개선한다. [02:03]
• 자신의 위치와 주변 물체의 위치를 모르면 로봇의 판단 능력이 뛰어나더라도 안전성과 효율성을 확보하기 어렵다. [03:04]

3. 행동 기반 접근의 단순성과 일반화 한계

• 행동 기반 접근은 벽을 오른쪽에 두고 따라가는 규칙처럼 여러 행동을 설계하고 조합해 원하는 로봇 움직임을 만든다. [03:26]
• 명시적인 지도 구축과 지도에 대한 위치추정이 필요하지 않아 구현이 비교적 쉽고, 환경에 대한 가정이 적어 강건할 수 있다. [03:56]

4. 지도 기반 접근과 동시적 위치추정·지도작성

• 지도 기반 접근은 미리 알려진 지도나 이동 중 추정하는 지도에 대한 위치를 명시적으로 유지한다. 지도와 로봇 위치를 함께 추정하는 문제가 동시적 위치추정·지도작성이다. [05:09]
• 지도와 위치를 확률적으로 다뤄야 하므로 수학적·계산적 복잡성이 커지고, 내부 위치 추정이 실제 위치에서 벗어나는 문제가 발생할 수 있다. 자율주행차에서 실제 위치와 3m 차이가 나는 상황은 치명적일 수 있다. [05:50]

5. 지도 표현과 위치에 대한 믿음 표현은 별개의 설계 문제다

• 지도는 세밀한 3차원 격자로 표현하거나, 구체적인 기하 구조를 추상화해 탁자와 벽 같은 상위 수준 요소를 다루는 위상 지도로 표현할 수 있다. [07:05]
• 위치에 대한 믿음 표현은 주어진 지도 안에서 로봇이 어디에 있다고 판단하는지 모델링하고, 라이다와 카메라 등의 센서 데이터가 들어올 때 이를 갱신하는 문제다. [07:43]

6. 단봉·다봉 분포의 표현력과 계산 비용

• 단봉 분포는 가장 가능성 높은 위치 하나와 그 주변의 불확실성을 표현하고, 다봉 분포는 서로 다른 여러 위치 후보를 봉우리로 유지한다. 가우시안으로 믿음을 제한하면 추정 결과를 계속 가우시안 형태로 맞추게 된다. [08:59]
• 어느 강당에 있는지 두 후보가 남는 상황처럼 위치가 모호할 때는 다봉 분포가 더 유연하다. [09:42]

7. 연속·이산 믿음 표현과 측정에 따른 갱신

• 연속 표현은 환경 내 임의의 위치를 허용하고, 이산 표현은 위치를 나누어 각 위치의 확률을 히스토그램으로 나타낸다. [10:42]
• 확률적으로 표현한 위치에 대한 믿음을 측정값에 따라 어떻게 갱신할지가 핵심 문제이며, 이를 위한 도구가 베이지안 필터링이다. [11:16]

8. 확률변수와 이산 확률질량함수

• 위치추정과 지도작성에서 다루는 양을 확률변수로 모델링한다. 확률변수는 예측할 수 없는 과정의 결과를 실수에 대응시키는 함수다. [11:33]
• 이산 확률변수의 확률질량함수 p(x)는 P(X=x)를 뜻하며, 확률변수가 각 값을 취할 확률을 지정한다. [12:20]

9. 연속 확률변수는 밀도를 적분해 구간 확률을 구한다

• 연속 확률변수에서는 특정 값 하나를 취할 확률이 0이므로, 한 점의 확률보다 구간에 속할 확률을 다룬다. 확률이 0이라는 말이 불가능하다는 뜻은 아니다. [14:01]
• 구간 [a,b]에 속할 확률은 확률밀도함수 p(x)를 a부터 b까지 적분해 구한다. [14:28]

10. 상태·측정·제어를 함께 다루는 결합확률과 독립성

• 로봇의 상태, 측정값의 흐름, 제어 입력의 흐름을 함께 추론하려면 여러 확률변수의 결합확률이 필요하다. 이산형에서 p(x,y)는 X=x와 Y=y가 동시에 성립할 확률이다. [15:36]
• 두 확률변수의 결합 확률질량함수나 결합 확률밀도함수가 p(x,y)=p(x)p(y)로 분해되면 두 변수는 독립이다. [16:23]

11. 조건부확률은 알려진 사건을 기준으로 확률을 다시 정규화한다

• Y의 값을 알게 되면 그 정보 아래에서 X의 확률을 평가할 수 있다. p(y)>0일 때 조건부확률은 p(x|y)=p(x,y)/p(y)로 정의된다. [17:13]
• 조건부확률의 식은 다른 결과에서 유도한 정리가 아니라 정의다. 이미 일어난 사건의 확률로 나누어 정규화한다는 의미는 가능한 결과들의 표본공간에서 해석할 수 있다. [18:02]

12. 면적 예제로 이해하는 조건부확률의 분모

• 넓이가 1인 직사각형에 점을 균등하게 던지면 사건의 확률은 해당 영역의 넓이와 같다. 넓이가 0.75인 영역 A에 들어갈 확률은 0.75다. [18:50]
• 점이 넓이 0.5인 B 안에 있다는 정보를 알면 기준 공간은 B가 된다. A와 B의 교집합 넓이가 0.25이므로 P(A|B)=0.25/0.5=1/2이다. [21:53]

13. 독립인 변수의 관측은 다른 변수에 대한 정보를 주지 않는다

• 독립인 두 변수는 결합확률이 곱으로 분해되므로 p(x|y)=p(x)p(y)/p(y)=p(x)가 된다. [24:22]
• Y를 알아도 X의 확률이 바뀌지 않는다는 것은 Y가 X에 대한 정보를 제공하지 않는다는 뜻이다. [24:54]

14. 전체확률법칙으로 결합분포에서 주변확률을 구한다

• 전체확률법칙에 따라 Y의 가능한 모든 값에 대해 결합확률을 더하면 p(x)를 얻는다. 조건부확률의 정의를 쓰면 p(x)=Σ_y p(x,y)=Σ_y p(x|y)p(y)로 나타낼 수 있다. [25:58]
• 이 관계는 X의 확률을 직접 모르더라도 X와 Y의 결합확률을 알면 Y의 모든 경우를 합쳐 X의 확률을 계산할 수 있게 한다. [26:33]

15. 베이즈 규칙은 센서 관측 모델에서 위치 추론으로 조건을 뒤집는다

• 베이즈 규칙은 X와 Y 사이의 조건 방향을 뒤집을 수 있게 한다. 위치추정에서는 데이터 Y가 주어졌을 때 위치 X의 확률을 구하는 것이 목표다. [27:59]
• 보통 이용할 수 있는 것은 특정 위치에서 어떤 관측이 나올 확률이다. 예를 들어 위치 X에서 라이다 거리 측정값 30cm를 얻을 확률과 위치에 대한 사전 정보를 이용해, 관측 후 위치의 확률을 추정하려 한다. [28:47]

16. 조건부확률과 전확률로 구성하는 베이즈 규칙

• 결합확률을 P(Y|X)P(X)로 표현하면 베이즈 규칙 P(X|Y)=P(Y|X)P(X)/P(Y)를 얻는다. [30:03]
• 측정값 자체의 확률 P(Y)를 직접 알기 어려울 때는 가능한 모든 X′에 대해 P(Y|X′)P(X′)를 합산한다. 여기서 X는 추정하려는 특정 값이고 X′는 합산에 쓰는 가능한 값들이다. [30:34]

17. 센서 모델과 사전분포로 위치의 사후확률 계산

• 베이즈 규칙은 특정 상태에서 데이터가 발생할 확률을 이용해, 데이터를 관측했을 때 그 상태일 확률을 추론하게 한다. [32:16]
• Y를 측정 데이터, X를 위치로 해석하면 위치의 사후확률은 위치별 측정 가능성과 위치의 사전확률을 곱하고 데이터의 확률로 나눈 값이다. [32:38]

18. 정규화 상수는 상태 후보 사이에서 공유

• 베이즈 규칙의 분모 P(Y)는 추정 대상 X의 값에 따라 달라지지 않으므로, 그 역수를 정규화 상수 η로 두어 P(X|Y)=ηP(Y|X)P(X)로 쓴다. [34:26]
• 동일한 측정 Y에 대해 여러 X 후보의 확률을 계산할 때는 같은 η를 사용하므로 후보마다 정규화 상수를 다시 계산할 필요가 없다. [35:01]

19. 추가 조건을 둔 베이즈 규칙과 조건부 독립

• 추가 변수 Z가 주어져도 모든 항에 같은 조건을 유지하면 베이즈 규칙을 적용할 수 있다. 이때 P(X|Y,Z)=P(Y|X,Z)P(X|Z)/P(Y|Z)다. [36:28]
• Z가 주어졌을 때 X와 Y가 조건부 독립이라는 것은 Z를 조건으로 한 결합확률이 각 조건부확률의 곱으로 분해된다는 뜻이다. [37:16]

20. 분포를 요약하는 기댓값과 공분산

• 확률분포 전체를 다루는 계산 부담을 줄이기 위해 대표 수치를 사용한다. 기댓값은 가능한 각 값에 그 확률을 곱해 합산하며, 연속 변수에서는 적분으로 계산한다. [39:10]
• 기댓값은 선형 연산자이므로 주어진 상수 A와 B에 대해 E[AX+B]=AE[X]+B가 성립한다. 벡터의 기댓값은 각 성분의 기댓값을 모은 벡터다. [40:00]

21. 주어진 지도에서의 위치 추정과 상태 정의

• 현재 위치 추정 문제는 지도가 주어진 상황에서 로봇이 지도 안의 어디에 있는지 찾는 문제로 설정한다. [42:17]
• 로봇은 제어 행동으로 환경 안에서 움직이고, 측정으로 환경에 관한 정보를 얻는다. 이 상호작용을 상태, 측정, 제어라는 세 요소로 표현한다. [42:40]

22. 완전한 상태가 만족하는 마르코프 성질

• 현재 상태 이전의 변수들이 미래 상태의 변화에 추가 영향을 주지 않으면 상태가 완전하다고 하며, 이를 마르코프 성질이라고 한다. [44:12]
• 현재 상태와 앞으로의 행동을 알면 과거 상태를 추가로 알아도 미래 예측이 달라지지 않는다. [44:27]

23. 측정과 제어가 불확실성에 미치는 반대 효과

• 측정은 환경의 순간 상태에 관한 정보를 제공하고, 제어 행동은 환경에서 상태가 어떻게 변하는지에 관한 정보를 제공한다. [45:19]
• 측정은 가능한 위치에 제약을 더해 로봇의 지식을 늘리는 경향이 있고, 제어 행동은 위치에 대한 지식을 잃게 하는 경향이 있다. [45:54]

24. 상태 전이의 시간 순서와 확률 모델

• 상태의 시간 변화를 확률적 생성 모델로 표현한다. xₜ의 분포는 이전 상태 이력, 이전 측정 이력, 현재까지의 제어 이력을 조건으로 한다. [47:44]
• xₜ의 조건에는 상태 x₀부터 xₜ₋₁, 측정 z₁부터 zₜ₋₁, 제어 u₁부터 uₜ가 들어간다. 현재 상태를 만드는 제어는 포함하지만 현재 상태에서 얻는 측정은 아직 포함하지 않는다. [48:31]

25. 마르코프 가정으로 단순화한 전이와 적용 한계

• 상태가 완전하다고 가정하면 전체 이력을 조건으로 한 다음 상태의 분포를 P(xₜ|xₜ₋₁,uₜ)로 줄일 수 있다. 직전 상태와 현재 제어가 주어지면 나머지 과거 정보가 필요하지 않다. [49:31]
• 상태 벡터에 충분한 정보를 포함하면 마르코프 성질을 만족하도록 문제를 구성할 수 있지만, 간단한 상태 표현이 언제나 충분한 것은 아니다. [50:41]

26. 현재 상태에 의존하는 측정과 숨은 마르코프 모델

• 상태 전이 모델이 현재 상태와 제어에서 다음 상태로의 확률적 변화를 나타내듯, 측정 모델도 확률적으로 구성한다. 전체 이력을 조건으로 한 현재 측정의 분포를 P(zₜ|xₜ)로 단순화한다. [51:58]
• 현재 위치가 같다면 거리 30m가 측정될 확률은 과거에 어느 경로로 도착했는지와 무관하다고 가정한다. [52:26]

27. 상태 추정을 나타내는 믿음 분포

• 직접 알 수 없는 상태를 추정하기 위해 각 상태 가설에 확률을 부여하는 믿음 분포를 사용한다. [53:32]
• 시각 t의 믿음은 현재까지의 모든 측정과 제어를 조건으로 한 상태 분포 P(xₜ|z₁:ₜ,u₁:ₜ)다. 가능한 각 위치에 확률을 부여한 전체 분포가 추정 결과를 이룬다. [54:05]

28. 예측 믿음과 측정 보정의 구분

• 필터 계산에서는 최종 믿음과 중간 결과인 예측 믿음을 구분한다. 예측 믿음은 현재 제어까지 반영하되 측정은 직전 시각까지만 반영한 P(xₜ|z₁:ₜ₋₁,u₁:ₜ)다. [54:29]
• 예측 믿음은 최신 측정을 반영하기 전의 상태 추정이고, 최종 믿음은 최신 제어와 최신 측정을 모두 반영한 추정이다. 계산은 제어를 먼저 반영하고 측정을 나중에 반영하는 순서로 진행한다. [55:13]

29. 베이즈 필터의 일반성, 계산 부담과 초기화

• 베이즈 필터는 완전한 상태와 마르코프 과정을 핵심 가정으로 믿음을 계산하는 일반적인 알고리즘이며, 로봇 분야 밖에도 적용할 수 있다. [56:06]
• 일반적인 형태 그대로는 구현과 계산이 어려워 실제 사용을 위해 단순화나 근사가 필요하다. [56:40]

30. 이전 믿음에서 현재 믿음으로 이어지는 두 단계 갱신

• 각 반복은 직전 시각의 믿음, 최신 측정 zₜ, 최신 제어 uₜ를 입력으로 받아 현재 상태 xₜ의 믿음을 계산한다. [57:49]
• 첫 단계에서는 직전 시각의 믿음에 최신 제어 uₜ를 반영해 현재 상태의 예측 믿음을 계산한다. [59:14]

31. 이전 상태 가설을 가중합해 현재 상태를 예측한다

• 이전 시점의 가능한 상태들은 로봇 위치에 대한 가설이며, 믿음 분포는 각 가설의 상대적 확률을 나타낸다. [1:00:23]
• 각 이전 상태의 확률에 제어 u_t로 현재 상태 x_t에 도달할 전이 확률을 곱하고 모두 합한다. 전이 확률이 0인 상태는 해당 현재 상태의 예측 확률에 기여하지 않는다. [1:01:17]

32. 측정과 양립하지 않는 상태의 확률을 낮춘다

• 제어를 반영한 예측 확률은 새 측정이 해당 상태에서 얼마나 가능한지에 따라 다시 가중된다. [1:02:39]
• 측정 전 상태 확률이 0.7이어도, 그 상태에서 관측된 0.3m 거리 측정이 나올 확률이 0이면 갱신된 상태 확률도 0이 된다. [1:03:11]

33. 정규화와 분포 가정으로 필터를 계산 가능한 형태로 만든다

• 베이즈 규칙의 정규화 계수 η는 개별 상태 x_t에 의존하지 않으며, 갱신한 분포의 전체 적분이 1이 되도록 정규화한다. [1:03:56]
• 이후 필터들은 이 기본 알고리즘을 계산 가능한 형태로 구체화한다. 과제의 EKF는 믿음 분포를 가우시안으로 가정한 베이즈 필터를 구현한다. [1:04:38]

34. 베이즈 규칙으로 측정 갱신식을 분해한다

• 현재 믿음은 지금까지의 측정과 제어 이력이 주어졌을 때 현재 상태 x_t의 조건부 확률로 정의된다. [1:05:49]
• 이전 측정과 제어 이력을 조건으로 유지하면서 x_t와 최신 측정 z_t에 베이즈 규칙을 적용하면, 믿음을 측정의 조건부 확률과 최신 측정 전 상태 확률의 곱으로 분해할 수 있다. [1:06:33]

35. 측정의 마르코프 가정이 예측 믿음과 갱신 믿음을 연결한다

• 현재 상태가 주어지면 최신 측정의 확률은 과거 측정이나 제어에 추가로 의존하지 않는다고 가정한다. 이 조건부 독립성이 성립해야 측정 모델을 현재 상태만의 함수로 줄일 수 있다. [1:08:10]
• 예측 믿음은 최신 제어까지 반영하되 최신 측정은 반영하지 않은 상태 분포다. [1:09:06]

36. 전체 확률 법칙으로 예측을 이전 상태에 대한 적분으로 바꾼다

• 예측 단계는 이전 믿음과 상태 전이 모델을 이용하며, 측정 모델은 이 단계의 계산에 관여하지 않는다. [1:10:28]
• 전체 확률 법칙으로 이전 상태 x_{t-1}을 조건에 추가하면, 구하려는 현재 상태 확률을 이미 알고 있는 상태 전이 관계와 연결할 수 있다. [1:10:59]

37. 상태 전이의 마르코프 가정으로 과거 이력을 줄인다

• 이전 상태 x_{t-1}과 최신 제어 u_t가 주어지면, 과거 측정은 현재 상태 x_t의 예측에 추가 정보를 제공하지 않는다고 가정한다. [1:12:27]
• 이 가정으로 얻는 상태 전이 모델은 차량의 운동학 모델과 연결된다. 이전의 결정론적 모델과 달리, 여기서는 상태와 제어에 따른 미래 상태를 확률적으로 표현한다. [1:13:29]

38. 측정 이력으로 정한 제어는 이전 상태에 새 정보를 더하지 않는다

• 예측식의 이전 상태 확률에서 최신 제어 u_t를 조건에서 제거하면, 제어 이력이 t-1까지인 이전 믿음의 형태를 얻을 수 있다. [1:13:57]
• 최신 제어가 이미 조건에 포함된 과거 측정들로부터 계산된다면, 그 제어를 추가로 알아도 이전 상태 x_{t-1}의 추정에 새 정보가 생기지 않는다. [1:15:05]

39. 이전 믿음으로 재귀식을 닫고 실시간 근사로 이어간다

• t-1까지의 측정과 제어를 조건으로 한 x_{t-1}의 확률은 이전 믿음이다. 따라서 예측 단계는 상태 전이 모델과 이전 믿음의 곱을 적분하는 재귀식으로 완성된다. [1:16:25]
• 베이즈 필터를 실시간 위치 추정에 사용하려면 계산 가능한 근사가 필요하다. 다음 단계는 이 필터를 근사해 지도에 대한 로봇 위치를 실시간으로 추정하는 것이다. [1:16:59]

🧾 결론

• 위치 추정은 가능한 위치마다 확률을 부여하는 문제로 설명된다.
• 베이즈 규칙과 조건부확률은 강의의 위치 추정 논의를 이해하기 위한 기초다.
• 상태 전이, 측정, 믿음 계산, 정규화의 관계를 이해하는 것이 이 강의의 핵심 학습 과제다.

📈 투자·시사 포인트

• 로봇 기술을 검토할 때 위치 출력뿐 아니라 가능한 위치의 확률을 어떻게 표현하는지도 살펴볼 수 있다.
• 실제 적용 가능성을 평가하려면 상태 전이와 측정이 믿음 계산에 반영되는 방식을 확인필요가 있다.
• 제공된 자료에는 기업 실적, 시장 규모, 비용 또는 성능 비교가 없어 특정 투자 판단으로 연결할 근거는 부족하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 원문이 짧고 단절된 자막 발췌여서 수식의 전체 형태, 변수 정의, 설명의 연결 관계를 확인하기 어렵다.
• 필터의 구체적인 종류, 구현 절차, 성능 및 적용 조건은 제공된 자료만으로 확정할 수 없다.
• 상태의 완전성과 최근 측정에 관한 언급은 있지만, 관련 가정의 정확한 내용과 적용 범위는 원영상 확인이 필요하다.
• 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

• 05:11 부근을 다시 확인해 지도 기반 접근에서 유지하는 정보와 지도 표현 방식을 정리한다.
• 29:46과 37:06 부근의 베이즈 규칙·조건부확률 설명을 확인하고 변수와 조건을 기록한다.
• 52:02부터 1:04:19까지의 상태 전이, 위치별 확률, 측정, 믿음 계산, 정규화가 어떻게 연결되는지 정리한다.
• 49:38과 1:09:39 부근을 확인해 상태와 측정에 관한 가정을 명시한다.

❓ 열린 질문

• 지도 기반 위치 추정에서 상태에 포함하는 정보는 무엇이며, 어떤 의미에서 상태가 완전하다고 보는가?
• 상태 전이와 새로운 측정은 각각 위치에 대한 믿음 계산에 어떻게 반영되는가?
• 정규화 이전의 값은 어떻게 계산하며, 연속적인 위치와 이산적인 위치에서 계산 방식은 어떻게 달라지는가?