Chapter 8. 확률론과 통계학 기초 (Probability Theory and Statistics Fundamentals)

1. 개요

확률론(probability theory)과 통계학(statistics)은 로봇 공학에서 불확실성을 체계적으로 모델링하고 처리하기 위한 수학적 기반을 제공한다. 실세계의 로봇 시스템은 센서 잡음, 환경의 불확정성, 모델의 부정확성, 액추에이터의 비결정성 등 다양한 원천의 불확실성에 노출된다. 확률론적 프레임워크는 이러한 불확실성을 정량적으로 기술하고, 불완전한 정보하에서 최적의 의사결정을 가능하게 한다.

2. 로봇 공학에서의 확률론의 역할

확률론은 로봇 공학의 핵심 하위 분야 전반에 걸쳐 기초 이론을 제공한다.

상태 추정(State Estimation): 잡음이 포함된 센서 관측으로부터 로봇의 상태(위치, 자세, 속도 등)를 추정하는 문제는 베이즈 필터링(Bayesian filtering)의 틀로 정식화된다. 칼만 필터(Kalman filter), 확장 칼만 필터(EKF), 입자 필터(particle filter)가 대표적 해법이다.

위치 추정과 지도 작성(Localization and Mapping): 확률론적 위치 추정에서 로봇의 위치는 확률 분포로 표현되며, 센서 관측에 의해 갱신된다. SLAM(Simultaneous Localization and Mapping)은 확률론적 추론의 핵심 응용이다.

인식과 분류(Perception and Classification): 센서 데이터로부터 물체의 종류, 위치, 자세 등을 식별하는 문제에서 확률적 모델(가우시안 혼합, 베이즈 분류기, 확률적 그래프 모델)이 사용된다.

의사결정과 계획(Decision Making and Planning): 불확실한 환경에서의 최적 행동 결정은 마르코프 결정 과정(MDP), 부분 관측 MDP(POMDP), 베이즈 최적화 등의 확률론적 프레임워크로 정식화된다.

로봇 학습(Robot Learning): 강화 학습, 베이즈 학습, 가우시안 과정 회귀 등 로봇 학습의 대부분의 방법론이 확률론에 기반한다.

3. 본 장의 구성

본 장에서는 로봇 공학에서 요구되는 확률론과 통계학의 핵심 개념을 체계적으로 다룬다. 확률 공간의 공리적 정의에서 출발하여, 확률 변수와 확률 분포, 기대값과 분산, 결합 분포와 조건부 분포, 베이즈 정리와 베이즈 추론, 다변량 가우시안 분포, 확률 과정, 추정 이론, 정보 이론의 기초를 다루며, 각 개념의 로봇 공학 응용을 함께 기술한다.

4. 참고 문헌

• Papoulis, A., & Pillai, S. U. (2002). Probability, Random Variables, and Stochastic Processes (4th ed.). McGraw-Hill.
• Kay, S. M. (1993). Fundamentals of Statistical Signal Processing: Estimation Theory. Prentice Hall.
• Thrun, S., Burgard, W., & Fox, D. (2005). Probabilistic Robotics. MIT Press.
• Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
• Barfoot, T. D. (2017). State Estimation for Robotics. Cambridge University Press.

version: 1.0