어떤 랜덤 변수 x가 Gaussian이라 가정한다:
x \sim N(\mu_x, \sigma_x^2).
이 때 y=f(x)라 하자. 변수 y도 가우시안으로 근사될 수 있다면
y \sim N(\mu_y, \sigma_y^2)
여기서,
\mu_y = f(\mu_x)
\sigma_y^2=\begin{pmatrix}{df \over dx}\end{pmatrix}_{\mu_x}\sigma_x^2 \begin{pmatrix}{df \over dx}\end{pmatrix}_{\mu_x}
이다.
위 식에서 만일 f가 \mu_x 주위에서 선형이라면 \left(df \over dx \right)는 상수이고, y는 가우시안이다. 함수 y가 선형이되는 간격의 크기는 분포 \sigma_x에 달려 잇다. \sigma_x가 더 커지면 랜덤 변수 x의 넓은 범위를 포함하기 위해 간격 크기는 더 커져야 한다.
간격 크기가 랜덤 변수 x분포의 95%를 커버하게 한다면 [\mu_x-2\sigma_x, \mu_x+2\sigma_x]이다. 만일 함수 f가 이 간격 내에서 선형(1차 함수)이라면, 도함수는 이 간격 내에서 상수이다. 간격 주위에서 도함수를 분석하기 위해 1차 도함수에 대한 Taylor시리즈를 생각해 보면
{df \over dx}(\mu_x+\delta x) \approx\left.{df \over dx}\right|_{\mu_x}+\left.{d^2 f \over dx^2}\right|_{\mu_x} \delta x
이다.
중심위치 \mu_x에서 1차 도함수의 값은 \left.df \over dx\right|_{\mu_x}이고,
간격의 양 극단 \mu_x \pm 2\sigma_x에서 도함수 값은
\left.df \over dx\right|_{\mu_x} \pm \left.d^2 f \over dx^2\right|_{\mu_x} 2\sigma_x
이다.
선형화의 정도를 나타내는 인덱스 값을 정의하자.
L=\left|{ \left.{d^2 f \over dx^2}\right|_{\mu_x} 2\sigma_x \over \left.{df \over dx}\right|_{\mu_x}}\right|
분자, 분모 두 값의 비교는 무차원인 선형화 인덱스(linearity index)값으로 정의한다. 만일 L\approx 0이라면(즉, f의 1차 도함수가 상수라면 L의 분자에 있는 2차 도함수는 0이다) 이 함수는 간격 내에서 선형으로 생각할 수 있고, 함수를 통한 가우시안 성질은 보존된다.
References
[1] J. Civera, AJ Davison, Inverse depth to depth conversion for monocular slam, ieee icra'2007.
[2] Error propagation 요약 자료
[3] 발표 자료
댓글 없음:
댓글 쓰기