Paperis 아티클
예측하고, 측정으로 고치고, 자기 불확실성까지 추적한다 — 우주 항법에서 자율주행까지 이어진 60년의 토대
이 글은 AI가 연구 논문을 바탕으로 작성한 교육·정보 제공용 콘텐츠이며, 전문가의 조언을 대체하지 않습니다. 오류를 발견하셨나요? 알려주세요
© 2026 네오쿤스(Paperis) · 링크 공유는 환영합니다. 전문 전재·재배포는 사전 허가가 필요합니다.
스마트폰 지도 속 파란 점은 어떻게 내 위치를 부드럽게 따라올까. GPS 신호는 빌딩 사이에서 몇 미터씩 튀고, 터널에 들어가면 아예 끊긴다. 그런데도 파란 점은 대체로 도로 위를 미끄러지듯 움직인다. 로봇 청소기는 벽에 부딪히지 않고 방을 돈다. 자율주행차는 카메라·레이더·라이다가 저마다 다른 값을 내놓는데도 하나의 일관된 세계를 그려낸다. 배터리 잔량 표시는 직접 잴 수 없는 "지금 몇 퍼센트"를 그럴듯하게 맞춘다.
이 장면들의 공통점은 하나다. 센서는 모두 조금씩 거짓말을 한다. 어떤 센서도 진실을 그대로 주지 않는다. 잡음이 섞이고, 가끔 튀고, 때로는 침묵한다. 게다가 우리가 정말 알고 싶은 것 — 차의 진짜 위치, 로봇의 진짜 방향, 배터리의 진짜 잔량 — 은 센서 값에 직접 들어 있지도 않다. 그것은 재어서 읽는 값이 아니라 추정(estimation) 해야 하는 값이다.
칼만 필터(Kalman filter)는 바로 이 문제를 푸는 방법이다. 1960년 R. E. 칼만이 제시한 아이디어로, 불확실한 측정을 시간에 따라 엮어 "시스템의 진짜 상태"에 대한 최선의 추정을 만든다 (DOI: 10.1115/1.3662552). 우주선 항법에서 오늘날의 GPS·드론·자율주행 센서퓨전까지, 겉으로는 잘 드러나지 않지만 수많은 시스템의 밑바닥을 떠받치는 알고리즘이다. 이 글은 칼만 필터가 실제로 무엇을 하는지, 어떤 용어로 이뤄져 있는지, 그리고 어디서 한계를 드러내는지를 처음 보는 사람의 눈높이에서 차근차근 쌓아 올린다.
칼만 필터의 핵심은 놀랄 만큼 단순한 두 걸음의 반복이다.
이 예측–갱신 순환이 매 순간 반복된다. 여기서 칼만 필터가 단순한 평균내기와 결정적으로 다른 점이 있다. 필터는 추정값만 들고 다니지 않는다. 그 추정을 얼마나 믿는지까지 함께 들고 다닌다. 즉 "차는 대략 여기 있고, 그 오차는 이 정도"라는 불확실성의 크기를 항상 같이 추적한다. 이 "자기 불확실성에 대한 자각"이 칼만 필터를 특별하게 만든다.
낱말 몇 개만 익히면 나머지는 술술 풀린다.
한 문장으로 요약하면, 칼만 필터는 "자기 믿음의 정도를 저울질하며, 예측과 측정을 매 순간 최적으로 섞는 재귀적 추정기" 다.
칼만 필터가 진짜 위력을 보이는 곳은 여러 불완전한 센서를 하나로 합칠 때 — 이른바 센서 퓨전이다.
항법(내비게이션). 관성항법장치(INS)는 가속도계·자이로로 스스로 움직임을 계산하지만, 시간이 지날수록 오차가 쌓여 표류(drift)한다. 반면 위성항법(GNSS/GPS)은 정확하지만 느리고 가끔 끊긴다. 칼만 필터는 둘을 엮어, INS의 부드러운 연속성으로 GPS가 끊긴 사이를 메우고, GPS의 장기 정확도로 INS의 표류를 붙잡는다. 한 행성 탐사 로버 연구에서는 이 융합으로 INS 단독 추측항법 대비 위치 표류를 약 75% 줄였다 (DOI: 10.64589/juri/219336). 도심의 빌딩 숲처럼 신호가 튀는 환경에서는 표준 칼만 필터가 오히려 취약해진다. 그래서 이노베이션에 카이제곱 검정을 걸어 이상 측정을 통계적으로 걸러내고 측정 잡음 행렬을 적응적으로 갱신하는 개선판이 제안됐고, 이 방식이 필터 발산을 억제하며 측위 정확도를 지켰다 (DOI: 10.3390/su141811230).
로봇. 실내를 도는 서비스 로봇, 자동제세동기를 나르는 구급 로봇은 관성 센서만으로는 금세 자기 위치를 잃는다. 확장 칼만 필터(EKF)로 센서 값을 엮어 실내에서 위치를 안정적으로 추정한 사례가 있다 (DOI: 10.1007/s41315-024-00352-z).
레이더 추적. 레이더는 목표의 위치를 잡음 섞인 값으로만 준다. 칼만 필터는 그 값에서 목표의 위치와 속도를 추정해 3차원으로 부드럽게 추적한다 (DOI: 10.54939/1859-1043.j.mst.101.2025.64-71).
배터리. 전기차·휴대폰의 배터리 잔량(SOC)은 직접 잴 수 없다. 등가회로 모델과 칼만 필터를 결합해 전압·전류만으로 잔량을 추정하는데, 한 연구에서는 오차 약 1.5%로 열 사이클 만에 수렴했다 (DOI: 10.11591/ijece.v14i3.pp2541-2553). 손안의 전화기가 "23% 남음"을 표시하는 뒤편에도 이런 추정기가 있다.
자율주행. 카메라·레이더·라이다는 저마다 강점과 약점이 다르고, 어느 하나도 완벽하지 않다. 그래서 서로를 보완하도록 여러 센서를 융합하는 것이 실전의 해법이다 (DOI: 10.3390/s20154220; DOI: 10.3390/wevj16010020). 융합의 뼈대로는 데이터·특징·결정 수준의 여러 방식이 쓰이고, 최근에는 기계학습 기반 융합이 빠르게 늘고 있다 (DOI: 10.3390/wevj16010020). 칼만 계열 필터는 그중 상태 추정·추적 단계에서 오래 쓰여 온 축이다.
오해 1 — "칼만 필터는 잡음을 지우는 필터다." 이름 때문에 생기는 가장 큰 오해다. 오디오의 로우패스 필터처럼 신호를 매끈하게 다듬는 도구가 아니다. 칼만 필터는 추정기다. 측정에 직접 보이지 않는 숨은 상태(속도·방향·잔량 등)를 물리 모델과 결합해 복원한다. 잡음이 줄어 보이는 것은 부수 효과일 뿐, 목적은 "진짜 상태 맞히기"다.
오해 2 — "예측만 하는 도구다." 예측은 두 걸음 중 하나일 뿐이다. 진짜 핵심은 갱신 단계, 즉 예측과 측정을 저울질해 섞는 데 있다. 예측만으로는 오차가 끝없이 쌓이고, 측정만으로는 잡음에 매 순간 흔들린다. 칼만 필터의 가치는 이 둘을 동시에 다루는 데 있다.
오해 3 — "어디든 그냥 얹으면 된다." 원조 칼만 필터에는 두 가지 강한 가정이 깔려 있다. 시스템이 선형(linear) 이고, 잡음이 가우시안(정규분포) 이라는 것이다 (DOI: 10.1115/1.3662552; DOI: 10.1093/oso/9780199219704.003.0009). 현실은 자주 그렇지 않다. 전통적 칼만 필터는 선형 시스템에는 잘 듣지만, 재생에너지·분산전원이 섞인 전력망처럼 비선형성이 큰 계 앞에서는 흔들린다 — 그래서 같은 연구는 2차 보정을 넣은 확장 칼만 필터에 신경망을 결합해 추정 정확도를 단독 EKF 대비 최대 16.7%까지 끌어올렸다 (DOI: 10.2139/ssrn.6579665). 측정이 크게 교란되면 추정이 오히려 발산(divergence) 해 버리기도 한다 — 앞서 본 적응형 개선판이 겨냥한 것이 바로 이 발산이다 (DOI: 10.3390/su141811230). 칼만 필터는 만능 마법이 아니라, 가정이 맞아떨어질 때 최적인 도구다.
바로 이 한계 때문에 칼만 필터의 후예들이 태어났다. 모두 원조의 두 걸음(예측→갱신)을 비선형·비가우시안 세계로 밀어 넣으려는 시도다.
정리하면, 칼만 필터는 하나의 고정된 알고리즘이 아니라 한 갈래의 큰 가문(family) 이다. 상황에 맞는 후예를 고르는 안목이 곧 이 도구를 잘 쓰는 일이다.
칼만 필터가 어디서 왔는지 궁금하다면, 시작점은 1960년 칼만의 원 논문이다. 이 논문은 필터링 문제를 "잡음 없는 조절기(regulator) 문제의 쌍대(dual)"로 보는 관점까지 제시하며 이후 제어이론 전체에 파문을 일으켰다 (DOI: 10.1115/1.3662552). 널리 전해지는 이야기로는, 이 방법이 곧 미국 항공우주 연구자들에게 전해져 아폴로의 달 항법에 응용되었다고 한다. 다만 그 세부는 이 글이 근거로 삼은 초록들의 범위를 넘어서므로 역사적 맥락으로만 소개한다. 확실히 기록으로 남은 것은, 아폴로의 유도·항법 하드웨어와 소프트웨어를 실제에 가까운 동적 조건에 집어넣는 하이브리드 시뮬레이션이 MIT 인스트루먼테이션 연구소에서 진행됐고, 이륙부터 착수까지 임무의 어느 구간이든 실시간으로 모사할 수 있었다는 사실이다 (DOI: 10.1177/003754976600700114).
수학적 토대를 제대로 밟고 싶다면, 칼만–부시(Kalman–Bucy) 필터를 더 일반적인 비선형 필터링 이론의 특수한 경우로 유도하는 스토캐스틱 필터링 교재가 좋은 다음 걸음이다. 신호가 가우시안 과정이고 관측이 선형일 때가 바로 칼만 필터의 세계이며, 여기서 필터의 장기 안정성까지 다룬다 (DOI: 10.1093/oso/9780199219704.003.0009).
결국 칼만 필터는 하나의 공식이라기보다 하나의 사고방식이다. "나는 무엇을 얼마나 아는가"를 숫자로 붙들고, 새 증거가 올 때마다 그 믿음을 합리적으로 고쳐 나가는 방식. 그 사고방식이 반세기 넘게 우주선과 자동차와 손안의 전화기를 조용히 이끌어 왔다. 다음에 지도 속 파란 점이 터널에서도 흔들림 없이 움직이거든, 그 뒤에서 예측하고 고치기를 쉼 없이 반복하는 이 오래된 아이디어를 떠올려도 좋다.