기술 요약: SLIDE – 다물체 시스템의 강제 동적 응답 추정을 위한 머신러닝 기반 방법

1. 문제 제기

계산 공학에서 다물체 시스템 동역학 (MBS) 의 시뮬레이션 속도와 효율성을 향상시키는 것은 중요한 목표입니다. MBS 를 지배하는 미분 - 대수 방정식 (DAE) 을 풀기 위한 전통적인 시간 적분 방법은 계산 비용이 많이 들며, 특히 암시적 솔리버가 필요한 유연 시스템의 경우 더욱 그렇습니다. 신경망이 대리 모델 (surrogate models) 로 적용되어 왔지만, 기존 접근법들은 다음과 같은 한계를 겪고 있습니다:

• 상태 의존성: 많은 방법들이 시스템의 초기 상태 (위치 및 속도) 에 대한 완전한 지식을 요구하는데, 이는 유연 좌표 측정이 어려운 유연 다물체 시스템의 경우 종종 비현실적입니다.
• 자율 대 구동: 이전 연구들은 주로 변하는 매개변수 (질량, 기하학) 를 가진 자율 시스템에 초점을 맞추었으며, 강제 또는 변위 구동 시스템보다는 그렇지 않은 시스템에 집중했습니다.
• 시퀀스 처리: 일부 방법은 자기회귀 방식으로 단일 시간 단계를 예측하여, 장기 시퀀스에서 위상 이동과 오차 누적을 초래할 수 있습니다.
• 오차 추정: 표준 대리 모델은 훈련 데이터 범위를 벗어난 외삽 시 예측 정확도를 추정할 수 있는 내장 메커니즘이 부족합니다.

본 논문은 완전한 초기 상태 정보를 요구하지 않으면서도 신뢰할 수 있는 오차 추정을 제공하는, 감쇠된 강제 다물체 시스템의 동적 응답을 신속하게 추정할 수 있는 방법의 필요성에 대응합니다.

2. 방법론: SLIDE 프레임워크

저자들은 입력 시퀀스를 출력 시퀀스로 매핑하면서 초기 효과의 감쇠를 명시적으로 처리하도록 설계된 딥러닝 기반 접근법인 SLIDE(SLiding-window Initially-truncated Dynamic-response Estimator) 를 제안합니다.

2.1 핵심 개념: 잘라내기 (Truncation) 와 슬라이딩 윈도우

SLIDE 의 기본 가정은 감쇠 기계 시스템에서 미지의 초기 조건이나 과도 현상 (transient) 교란의 영향이 시간이 지남에 따라 지수적으로 감쇠한다는 것입니다.

• 입력 윈도우 ($T_{in}$): 시스템 입력 (예: 힘, 지정된 변위) 과 잠재적으로 부분 상태 정보를 포함하는 시퀀스를 담고 있습니다.
• 출력 윈도우 ($T_{out}$): 예측된 시스템 출력 (예: 변위, 공구 중심점 위치) 을 포함합니다.
• 잘라내기: 출력 윈도우는 입력 윈도우에 대해 이동됩니다. 과도 현상이 지배적인 응답의 초기 부분이 잘려냅니다. 이 잘라내기의 길이 ($t_d$) 는 시스템의 감쇠 특성에 의해 결정됩니다.
• 슬라이딩: 특정 스트라이드 (stride) 로 슬라이딩 윈도우를 적용함으로써, 신경망의 출력들을 연결하여 임의의 긴 시간 시퀀스를 예측할 수 있습니다.

2.2 잘라내기 시간 ($t_d$) 결정

초기 과도 현상 단계가 얼마나 지속되는지 결정하기 위해, 저자들은 선형화된 운동 방정식을 기반으로 한 방법을 제안합니다:

1. 선형화: 시스템 방정식을 특정 구성에 대해 선형화합니다.
2. 고유값 분석: 선형화된 시스템의 복소 고유값을 계산합니다.
3. 감쇠 계산: 고유값의 실수부 ($\text{Re}(v)$) 가 감쇠율을 정의합니다. 상대 진폭이 특정 임계값 (예: 1%) 으로 감쇠하는 데 필요한 시간 $t_d$는 $t_d = \ln(A_{rel}) / \text{Re}(v)$로 계산됩니다.
4. 적용: 이 $t_d$는 입력과 출력 윈도우 사이의 최소 이동을 결정하여, 신경망이 미지의 초기 조건으로 인한 과도 응답을 학습할 필요가 없도록 합니다.

2.3 네트워크 아키텍처

이 방법은 두 가지 구별된 순방향 신경망 (Feedforward Neural Networks, FFNs) 을 사용합니다:

1. 대리 신경망 (S-NN):
   • 입력 시퀀스 (시스템 입력 $u$, 그리고 선택적으로 상태 $q, \dot{q}$) 를 잘려진 출력 시퀀스로 매핑합니다.
   • 잘라내기가 충분하다면 완전한 초기 조건을 요구하지 않습니다.
   • 예측된 출력과 시뮬레이션된 출력 간의 평균 제곱 오차 (MSE) 를 최소화하도록 훈련됩니다.
2. 오차 추정기 네트워크 (EE-N):
   • S-NN 의 출력에 대한 제곱 평균 제곱근 오차 (RMSE) 를 예측하도록 독립적으로 훈련된 두 번째 FFN 입니다.
   • 훈련 전략: EE-N 은 S-NN 을 외삽하도록 강제하는 데이터 (예: 훈련 분포 밖의 입력) 로 훈련되어 큰 오차를 생성합니다.
   • 목표: EE-N 의 목표는 특정 범위로 정규화된 로그 오차 ($\epsilon = \log_{10}(e)$) 입니다. 이를 통해 네트워크는 수직으로 변할 수 있는 오차를 추정할 수 있습니다.
   • 입력: EE-N 은 S-NN 과 동일한 입력을 받아 S-NN 의 출력을 사용하지 않으므로 병렬 실행이 가능합니다.

3. 주요 기여

• 상태 독립적 예측: SLIDE 는 완전한 시스템 상태 (초기 조건) 를 요구하지 않고 감쇠 시스템의 동적 응답을 정확하게 예측할 수 있게 하여, 유연 다물체 시스템에 있어 중요한 장점을 제공합니다.
• 고유값을 통한 잘라내기: 본 논문은 휴리스틱한 윈도우 크기에 의존하는 대신, 선형화된 시스템의 고유값을 사용하여 출력 윈도우의 필요한 잘라내기 길이를 결정하는 체계적이고 물리 기반의 방법을 제공합니다.
• 통합 오차 추정: 전용 오차 추정기 네트워크 (EE-N) 의 도입은 훈련된 데이터 분포 밖에서 작동할 때 특히 중요한 예측 신뢰성의 실시간 평가를 가능하게 합니다.
• 시퀀스 대 시퀀스 매핑: 자기회귀식 단계별 예측기와 달리, SLIDE 는 전체 시퀀스를 예측하여 위상 이동 누적을 방지합니다.

4. 실험 결과

이 방법은 데이터 생성을 위한 오픈 소스 MBS 코드 Exudyn과 훈련을 위한 PyTorch를 사용하여 네 가지 다른 시스템에서 검증되었습니다.

4.1 테스트 사례

1. 선형 질량 - 스프링 - 댐퍼: 얕은 네트워크가 정확한 해를 학습할 수 있음을 보여줬으며 (MSE $\approx 10^{-14}$), 가중치 행렬을 임펄스 응답과 감쇠하는 초기 조건의 중첩으로 시각화했습니다.
2. 더핑 발진기 (비선형): 비선형 스프링 - 댐퍼 시스템입니다. 이 방법은 비선형성을 성공적으로 처리하고 훈련 중 보지 못한 입력에 대한 응답을 예측했으며, EE-N 은 외삽 중 증가된 오차를 정확하게 포착했습니다.
3. 유연 슬라이더 - 크랭크: 유연한 연결봉을 가진 평면 메커니즘입니다. 이 방법은 장기간에 걸쳐 진동의 위상을 유지했으며, 시뮬레이션 대비 795 배의 속도 향상을 달성했습니다.
4. 유연 소켓 위의 6R 매니퓰레이터: 변형 가능한 실린더에 장착된 공간 로봇 (Puma 560) 입니다. 네트워크는 소켓 변형으로 인한 공구 중심점 (TCP) 위치 오차에 대한 관절 궤적의 매핑을 학습했습니다.
   • 속도 향상: 단일 순방향 통과 (forward pass) 에서 3,247 배의 속도 향상을 달성했습니다.
   • 배치 처리: 1,200 개의 궤적을 병렬로 처리 (배칭) 함으로써, 이 방법은 736 만 배의 속도 향상을 달성했습니다 (1,200 초 시뮬레이션을 1ms 미만으로 수행).
   • 정확도: 대리 모델은 테스트된 세그먼트에 대해 시뮬레이션 대비 약 2-4.5% 이내의 정확도를 유지했습니다. 오차 추정기는 훈련 시 $R=0.938$, 테스트 시 $R=0.868$의 상관 계수로 RMSE 를 예측했습니다.

4.2 성능 지표

• 실시간 능력: 이 방법은 실시간 성능을 크게 초과하여 밀리초 단위로 유연체의 "시뮬레이션"을 가능하게 합니다.
• 하드웨어: CPU 와 GPU 모두에서 속도 향상이 관찰되었으며, GPU 배칭은 더 큰 모델 (예: 6R 로봇) 에 대해 상당한 이점을 제공했습니다.

5. 중요성과 주장

본 논문은 SLIDE 가 특정 클래스의 다물체 시스템에 대한 전통적인 시간 적분에 대한 실용적이고 효율적인 대안을 제공한다고 주장합니다.

• 적용 가능성: 초기 조건이 미지이거나 측정이 어려운 강제 또는 변위 구동 시스템에 특히 효과적이며, 이는 유연 다물체 동역학에서 일반적인 시나리오입니다.
• 한계: 저자들은 명시적으로 이 방법이 시스템이 감쇠되어 있으며, 잘라내기 윈도우를 넘어 지속되는 숨겨진 내부 상태 (예: 분기, 소성, 스틱 - 슬립) 를 포함하지 않는다고 가정한다고 명시했습니다.
• 미래 잠재력: 저자들은 현재 방법이 FFN 을 사용하지만, 숨겨진 상태나 장기 의존성을 가진 시스템을 처리하기 위해 향후 연구에서 순환 신경망 (RNN) 이나 트랜스포머를 탐구할 수 있다고 제안합니다. 또한 이 프레임워크를 다물체 동역학을 넘어 다른 시뮬레이션 분야에 적용할 가능성도 언급합니다.

결론적으로, SLIDE 는 감쇠 시스템에서 초기 효과의 감쇠를 활용함으로써, 딥러닝이 높은 정확도를 유지하고 신뢰할 수 있는 오차 추정을 제공하는 매우 가속화된 대리 모델을 생성하는 데 사용될 수 있음을 보여줍니다. 이는 실시간 제어 및 최적화 응용을 용이하게 합니다.