⚡ electrical engineering

Quantifying Aleatoric and Epistemic Dynamics Uncertainty via Local Conformal Calibration

이 논문은 로봇 역학의 알레아토리(aleatoric) 및 에피스테믹(epistemic) 불확실성을 모두 고려하여 확률적으로 유효한 예측 영역을 생성하기 위해 알레아토리 불확실성 추정치를 국소적으로 교정하는 비점근적 컨포멀 예측 기반 방법인 LUCCa(Local Uncertainty Conformal Calibration)를 소개하며, 이를 통해 새로운 환경에서의 안전한 계획 수립을 가능하게 한다.

원저자: Luís Marques, Dmitry Berenson

게시일 2026-09-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Luís Marques, Dmitry Berenson

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

로봇은 다음에 어떤 일이 일어날지를 예측함으로써 세상을 움직입니다. 만약 로봇이 자신의 바퀴가 지면을 어떻게 움켜쥐는지, 혹은 프로펠러가 공기를 어떻게 밀어내는지 정확히 알고 있다면, 목적지까지의 완벽한 경로를 계산할 수 있습니다. 하지만 현실 세계는 무질서합니다. 표면은 미끄러워지고, 바람은 변하며, 기계의 물리적 특성은 설계자가 예상치 못한 방식으로 변할 수 있습니다. 로봇이 이전에 본 적 없는 상황에 직면했을 때, 미래에 대한 내부 예측은 하나의 추측이 됩니다. 안전하게 이동하기 위해서 로봇은 자신이 어디에 있을 것이라고 생각하는지뿐만 아니라, 그 추측이 얼마나 불확실한지도 이해해야 합니다. 로봇은 두 가지 유형의 의심을 구분해야 합니다. 하나는 바퀴가 얼음판 위에서 미끄러지는 것과 같은 무작위적인 노이즈입니다. 이는 예측 불가능하지만 알려진 범위 내에서 발생합니다. 다른 하나는 로봇이 한 번도 접해보지 못한 표면 위를 주행하려는 것과 같은 무지(ignorance)입니다. 여기서 로봇은 무슨 일이 일어날지 알 수 있는 정보 자체가 부족한 상태입니다. 수년간 엔지니어들은 환경이 변할 때 무너지는 가설에 의존하는 대신, 이 두 번째 유형의 불확실성을 보장된 안전을 확보하며 측정하는 방법으로 고군분투해 왔습니다.

미시간 대학교의 연구팀은 이 문제를 해결할 수 있는 새로운 방법을 개발하여, 로봇이 완전히 낯선 영역에 있을 때도 자신의 예측 주변에 안전망을 구축할 수 있도록 했습니다. 그들은 이 접근 방식을 '국소적 불확실성 컨포멀 캘리브레이션(Local Uncertainty Conformal Calibration)'이라고 부릅니다. 핵심 아이디어는 로봇의 미래 움직임에 대한 최선의 추측을 바탕으로, 실제 데이터를 사용하여 '안전 버블(safety bubble)'의 크기를 조정하는 것입니다. 로봇이 자신의 움직임에 대한 모델을 가지고 있지만 그 모델이 특정 영역에서는 틀릴 수 있다고 가정해 봅시다. 연구진은 로봇이 새로운 작업을 시작하기 전에 짧은 캘리브레이션(보정) 단계를 거치도록 했습니다. 이 단계에서 로봇은 실제 지면에서 수행하는 일련의 움직임을 통해 자신의 모델을 테스트합니다. 시스템은 모델이 예측한 것과 실제로 일어난 일을 비교함으로써, 방의 각기 다른 부분에서 안전 버블을 얼마나 확장해야 하는지를 학습합니다. 모델이 한쪽 구석에서는 보통 정확하다면 버블은 좁게 유지됩니다. 만약 바닥이 미끄러운 이유 등으로 인해 다른 구석에서 모델이 불안정하다면, 모든 가능한 결과를 포함하도록 버블이 크게 확장됩니다.

연구진은 이 방법을 가속 및 회전이 가능한 자동차 형태의 움직임을 가진 시뮬레이션 로봇에 적용하여 테스트했습니다. 연구진은 이 로봇을 물리적 특성이 갑자기 변하는 환경, 예를 들어 나머지 구역보다 마찰력이 훨씬 낮은 구간이 있는 곳에 배치했습니다. 이러한 까다로운 구역에서 로브의 표준 모델은 쉽게 멈추거나 회전할 수 있다고 가정하여, 결국 충돌로 이어질 경로를 계획하게 됩니다. 그러나 이 새로운 방식은 해당 구역에서 모델이 신뢰할 수 없다는 점을 인식했습니다. 시스템은 캘리브레이션 데이터를 사용하여 해당 구역의 불확실성을 키웠고, 이를 통해 플래닝 알고리즘이 위험한 구역을 완전히 피하는 더 느리고 안전한 경로를 선택하도록 강제했습니다. 네 가지 서로 다른 환경에서 진행된 일련의 테스트에서, 이 새로운 캘리브레이션 방법을 사용한 로봇은 대부분의 시행에서 장애물과 충돌하지 않고 목표에 도달했습니다. 비록 급격한 회전과 같은 복잡한 시나리오에서는 소수의 충돌이 발생하기도 했습니다. 반면, 표준적인 미보정 모델을 사용한 로봇은 자신의 세계관이 불완전하다는 사실을 인지하지 못했기 때문에 최대 80%의 시도에서 충돌했습니다.

이 접근 방식이 특히 강력한 이유는 로봇이 물리 법칙이 정확히 어떻게 변했는지 알 필요가 없다는 점입니다. 바닥이 젖었는지 혹은 공기가 걸쭉해졌는지를 식별할 필요가 없습니다. 그저 예측과 실제 사이의 불일치를 관찰하고 그에 따라 확신도를 조 조정할 뿐입니다. 연구진은 이 방법이 매우 적은 양의 캘리브레이션 데이터만으로도 계획의 첫 번째 단계에서 로봇의 실제 미래 위치를 최소 90%의 확률로 포함한다는 것을 수학적으로 증명했습니다. 이 보증은 로봇이 익숙한 복도에 있든 혼란스럽고 예측 불가능한 공간에 있든 상관없이 유효합니다. 문제를 작은 국소 영역으로 나누어 해결함으로써, 이 시스템은 모든 곳에서 과도하게 조심스러워지는 일반적인 함정을 피합니다. 여정 전체에 대해 최악의 시나리오를 가정하는 대신, 데이터가 정말로 필요하다고 보여주는 곳에서만 안전 마진을 확장합니다.

연구는 또한 로봇이 일련의 움직임을 계획함에 따라 이 방법이 시간이 지남에 따라 어떻게 작동하는지도 조사했습니다. 수학적 증명은 계획의 첫 번째 단계에 대해 가장 강력하지만, 실험 결과 이 방법은 로봇이 더 먼 미래를 내다볼 때도 효과적임이 드러났습니다. 시스템은 장기적인 계획 시 발생하는 불확실성의 누적 문제를 성공적으로 관리했습니다. 시뮬레이션에서 이 방법을 사용한 로봇은 불확실성을 무시한 채 충돌했던 로봇보다 목표에 도달하는 데 시간이 약간 더 걸렸지만, 안전하게 도착했습니다. 이 안전 점검을 추가하는 데 드는 계산 비용은 미미했으며, 표준 컴퓨터 프로세서에서 플래닝 단계당 1밀리초 미만이 소요되었습니다. 이는 이 방법이 로봇의 속도를 늦추지 않고도 실제 로봇에 구현될 수 있음을 시사합니다. 이 연구는 로봇의 내부 모델과 단순한 데이터 기반 체크를 결합함으로써, 우리가 기계에게 자신의 무지를 인식하고 적절한 주의를 기울여 행동할 수 있는 능력을 부여할 수 있음을 보여주며, 잠재적으로 위험한 추측을 증명 가능한 안전한 계획으로 바꿀 수 있음을 입증했습니다.

기술 요약: 국소적 컨포멀 보정(Local Conformal Calibration)을 통한 알레아토리적 및 에피스테믹 역학 불확실성 정량화

1. 문제 정의

로봇 제어 시스템은 종종 부정확할 수 있는 근사화된 역학(해석적, 시뮬레이션 또는 학습된 모델)에 의존하며, 이는 새로운 환경에 배치될 때 정확도가 떨어질 수 있습니다. 시스템에 내재된 확률적 특성인 **알레아토리적 불확실성(aleatoric uncertainty)**을 정량화하는 많은 방법이 존재하지만, 이러한 추정치는 물리적 상호작용이 변화하여 에피스테믹 불확실성(epistemic uncertainty)(데이터 부족 또는 모델 불일치로 인한 불확실성)을 유발하는 새로운 환경에서는 불충분합니다.

핵심 과제는 다음과 같은 상황에서 **증명 가능한, 비점근적 안전 보장(provable, non-asymptotic safety guarantees)**을 제공하는 것입니다:

실제 역학 함수 $f$ 를 알 수 없으며 잠재적으로 불연속적입니다.
근사 모델 $\tilde{f}$ 가 훈련 도메인( $P_{train}$ )과 비교하여 배포 도메인( $P_{test}$ )에서 임의로 틀릴 수 있습니다.
시스템은 계획 호라이즌(planning horizon) 동안 안전 집합 $C$ 에 대해 $P(Y_\tau \in C) \geq 1-\alpha$ 를 만족해야 합니다.

기존 방식들은 강력한 가정(예: 가우시안 오차 분포)에 의존하거나, 점근적 경계만을 제공하거나, 고차원 상태-행동 공간에서 지나치게 보수적이고 정보 가치가 낮은 전역 보정 계수를 사용합니다.

2. 방법론: 국소 불확실성 컨포멀 보정 (LUCCa)

저자들은 알레아토리적 불확실성 추정치를 보정하여 에피스테믹 불확실성을 반영하는 컨포멀 예측 기반 프레임워크인 LUCCa를 제안합니다. 이 방법은 오프라인 보정 단계와 온라인 계획 단계의 두 단계로 작동합니다.

2.1 핵심 개념

분할 컨포멀 예측 (Split Conformal Prediction, SplitCP): 이 방법은 예측기나 데이터 분포의 구조를 가정하지 않고 빈도주의적 관점에서 유효한 예측 영역을 구축하기 위해 SplitCP를 활용합니다.
비정형성 점수(Non-conformity Score)로서의 마할라노비스 거리: 역학 예측기 $\tilde{f}$ 가 다변량 정규 분포(MVN) $\mathcal{N}(\hat{\mu}, \hat{\Sigma})$ 를 출력하므로, 비정형성 점수 $r$ 은 예측된 분포와 실제 관측된 상태 사이의 마할라노비스 거리로 정의됩니다:
$R^{(i)} = d_M(\tilde{f}(\bar{X}^{(i)}), Y^{(i)}) = \sqrt{(Y^{(i)} - \hat{\mu})^\top \hat{\Sigma}^{-1} (Y^{(i)} - \hat{\mu})}$
이론적 분석에 따르면, 모델이 완벽하다면 제곱 마할라노비스 거리는 카이제곱 분포( $\chi^2_{dim(S)}$ )를 따릅니다.
국소 보정 (Local Calibration, LOCART): 단일 전역 보정 계수를 적용하는 것(이는 보수적이고 큰 예측 영역을 초래함) 대신, LUCCa는 보정 잔차(calibration residuals)로 학습된 결정 트리 회귀를 사용하여 상태-행동 공간을 분할하는 LOCART 방식을 채택합니다.
- 분할 (Partitioning): 보정 데이터셋을 분할합니다. 한 부분은 상태-행동 쌍 $(s, u)$ 를 유사한 모델 오차를 나타내는 리프 노드로 매핑하는 결정 트리를 학습시키는 데 사용됩니다.
- 국소 스케일링 (Local Scaling): 각 리프 노드 $k$ 에 대해, 해당 파티션에 속하는 데이터 포인트들의 잔차를 기반으로 특정 컨포멀 스케일링 계수 $\xi_k$ 를 계산합니다.
- 보정 (Calibration): 온라인 계획 중에 예측 공분산 $\hat{\Sigma}$ 는 국소적으로 스케일링됩니다: $\hat{\Sigma}_{cal} = \xi_k \hat{\Sigma}$ . 이를 통해 국소적인 역학 난이도에 적응하는 초타원형(hyperellipsoidal) 예측 영역이 생성됩니다.

2.2 알고리즘 흐름

오프라인 보정:
- 배포 환경(또는 프록시)으로부터 전이 데이터 $(s_t, u_t, s_{t+1})$ 를 수집하여 보정 데이터셋 $D_{cal}$ 을 구성합니다.
- 모든 보정 포인트에 대해 잔차 $R^{(i)}$ 를 계산합니다.
- 결정 트리(LOCART)를 적합시켜 상태-행동 공간을 분할하고 각 파티션에 대한 국소 스케일링 계수 $\xi_k$ 를 계산합니다.
온라인 계획 (MPC):
- 현재 상태가 주어지면, 플래너(예: MPPI)는 궤적을 샘플링합니다.
- 각 스텝에서 근사 역학 $\tilde{f}$ 가 상태 분포를 전파합니다.
- 현재 상태-행동 쌍의 위치에 따라 결정 트리에서 결정된 국소 스케일링 계수 $\xi_k$ 가 전파된 공분산에 적용됩니다.
- 플래너는 보정된 불확실성의 트레이스(trace)에 대한 페널티(낮은 모델 오차 영역을 선호하도록 유도)와 보정된 예측 영역과의 충돌 회피를 포함하는 비용 함수를 최적화합니다.

3. 주요 기여

알고리즘 제안: 로봇의 미래 상태에 대해 확률적으로 유효한 예측 영역을 제공하기 위해 알레아토리적 불확실성 추정치를 보정하는 알고리즘인 LUCCa를 도입했습니다.
이론적 보장:
- 임의의 유한한 보정 데이터 세트, 다변량 정규 분포를 출력하는 임의의 예측기, 그리고 알려지지 않은 실제 역학 함수에 대해 유효성을 증명했습니다.
- 이 방법이 유한한 샘플로 국소적 커버리지(local coverage)(상태-행동 파티션에 조건부)를 달 achieve하며, 완만한 가정 하에 **점근적 조건부 커버리지(asymptotic conditional coverage)**를 달성함을 입증했습니다.
- **첫 번째 계획 단계(first planning step)**에 대해, 보정된 영역이 확률 $\geq 1-\alpha$ 로 실제 상태를 포함함을 증명했습니다. 이후 단계의 경우, 근사 역학이 선형이고 특정 컨트롤러에 대한 가정이 충족될 때 보장이 유지됩니다.
국소 적응성: 상태-행동 의존적 스케일링 계수를 사용함으로써 전역 보정의 과도한 보수성을 피하고, 플래너가 모델 정확도가 높은 영역과 낮은 영역을 구분할 수 있게 합니다.
실험적 검증: 상당한 역학 변화(예: 마찰력 변화)가 있는 더블 인티그레이터(double-integrator) 시스템에서 방법의 효과를 입증하여, 보정되지 않은 베이스라인에 비해 향상된 안전성과 성공률을 보여주었습니다.

4. 실험 결과

저자들은 네 가지 환경(정확한 역학 영역과 상당한 모델 불일치 영역(낮은 마찰력 시뮬레이션)이 포함됨)을 가진 더블 인티그레이터 시스템에서 LUCCa를 평가했습니다.

경험적 커버리지 (Empirical Coverage): "Corridor" 환경에서 LUCCa는 호라이즌이 확장됨에 따라 커버리지가 90% 미만으로 급격히 떨어지는 미보정 베이스라인과 달리, 모든 타임 스텝에서 ( $\alpha=0.1$ 에 대해) 90% 임계값 이상의 경험적 커버리지를 유지했습니다. 특히 모델 오차가 높은 영역에서도 그러했습니다.
모션 플래닝 성능: MPPI를 이용한 모델 예측 제어(MPC) 사용 시:
- 안전성: 미보정 베이스라인이 각각 30%, 83%, 80%의 충돌률을 보인 것에 비해, LUCCa는 Corridor 및 Passage 환경에서 0%, L-Turn에서 **3%**의 충돌률을 달성했습니다.
- 성공률: 베이스라인이 70% 및 17%를 기록한 반면, LUCCa는 Corridor 및 Passage에서 **100%**의 성공률을 달성했습니다.
- 효율성: 베이스라인은 때때로 위험한 경로를 택하여 목표에 더 빨리 도달하기도 했으나 자주 충돌했습니다. 반면, 불확실성을 페널티로 주는 LUCCa의 비용 함수는 고오차 영역에서 로봇을 느려지게 하여 충돌을 피하게 했습니다.
계산 오버헤드: 국소 보정 단계(결정 트리 쿼리 및 공분산 스케일링)는 계획 단계당 약 0.3 ms를 추가했으며(단계 지속 시간의 32% 증가), 저자들은 이를 실제 배포에 있어 무시할 만한 수준으로 간주했습니다.

5. 의의 및 주장

본 논문은 LUCCa가 데이터 기반 로보틱스의 근본적인 한계, 즉 역학이 변할 수 있는 새로운 환경에서 학습되거나 해석된 모델을 안전하게 배포할 수 없는 문제를 해결한다고 주장합니다.

이론적 엄밀성: 휴리스틱한 불확실성 정량화 방법과 달리, LUCCa는 실제 역학이나 오차의 분포를 가정하지 않고도 비점근적, 유한 샘플 보장을 제공합니다.
실용적 유용성: 전역 보정에서 국소 보정으로 전환함으로써, 모델 정확도가 높은 영역에서는 "날카로운(sharp/tight)" 예측 영역을 생성하고, 에피스테믹 불확실성이 높은 영역에서는 "적응적인(adaptive/large)" 예측 영역을 생성합니다. 이를 통해 플래너는 탐사와 안전 사이의 현명한 절충을 할 수 있습니다.
안전 필수 계획 (Safety-Critical Planning): 이 방법은 알려지지 않은 확률적 역학을 가진 시스템을 위한 확률적으로 안전한 계획을 구축할 수 있게 하며, 모델이 특성화되지 않은 영역에서 임의로 틀리더라도 사용자가 지정한 확률 내에서 궤적이 안전 집합 내에 머물도록 보장합니다.

저자들은 비록 다단계 안전 보장이 특정 컨트롤러 가정 하의 선형 역학에 대해 이론적으로 증명되었지만, 실험 결과는 이 방법이 더 복잡한 계획 시나리오에서도 견고한 국소 커버리지를 제공함을 시사한다고 결론지었습니다.