기술 요약: 드론 레이싱을 위한 비선형 후퇴 수평 차분 게임 (Nonlinear Receding-Horizon Differential Game)

문제 정의

드론 레이싱은 복잡한 3차원 경로를 고속으로 항행해야 하는 요구 사항으로 인해 상당한 제어 공학적 과제를 안고 있습니다. 궤적 최적화 및 학습 기반 접근 방식을 포함한 기존 방법들은 정밀한 단일 드론 항행에는 성공했으나, 다중 에이전트 간의 경쟁적 상호작용을 해결하는 데는 대부분 실패했습니다. 구체적으로, 현재의 프레임워크는 비선형 드론 역학과 추월(overtaking) 및 방해(obstructing)와 같은 적대적 행동을 동시에 처리할 수 있는 피드백 제어 메커니즘이 부족합니다. 또한, 전통적인 경로 추종 방식은 직교 투영(orthogonal projection)을 위한 계산 비용이 많이 드는 반복적 탐색에 의존하거나 2차원 경로로 제한되는 경우가 많으며, 레이싱을 위한 기존의 차분 게임 접근 방식은 고정된 역할(추월 또는 방해)을 가정하거나 계산 비용을 높이는 명시적인 경로 특징에 의존하는 경 tended가 있습니다.

방법론

본 연구는 이러한 한계를 해결하기 위해 설계된 비선형 후퇴 수평 차분 게임(Nonlinear Receding-Horizon Differential Game, NRHDG) 프레임워크를 제안합니다. 이 방법론은 세 가지 핵심 구성 요소를 통합합니다:

1. 통합 경로 추종 정식화 (Unified Path-Following Formulation)

저자들은 드론 위치를 3차원 경로에 직교 투영하기 위한 새로운 동적 모델을 도출합니다. 온라인 제어 중에 거리를 최소화하기 위해 반복적인 계산을 요구하는 기존 방식과 달리, 이 접근 방식은 경로 파라미터($\theta_d$)와 관련 호 길이(arc length, $\sigma$)를 상태 변수로 취급합니다.

• 투영점 역학 (Projection-Point Dynamics): 투영점의 정지 조건(stationary condition)을 미분함으로써, 저자들은 투영점과 호 길이를 동적으로 업데이트하는 상미분 방정식(정리 1)을 도출합니다.
• 확장된 상태 (Augmented State): 이러한 역학은 드론의 상태 방정식에 직접 삽입되어 15차원 확장 상태 벡터를 생성합니다. 이를 통해 제어 루프 중에 별도의 투영 최적화나 복잡한 좌표 변환(예: Frenet-Serret 프레임)을 수행할 필요가 없습니다.

2. 포텐셜 함수를 통한 동적 역할 전환 (Dynamic Role Switching via Potential Functions)

유연한 경쟁 전략을 가능하게 하기 위해, 본 연구는 상대적 위치에 따라 드론이 추월 모드와 방해 모드를 전환할 수 있도록 하는 매끄러운 포텐셜 함수($G_O$)를 도입합니다.

• 메커니즘: 이 함수는 경로 파라미터의 차이($\theta_\Delta$)와 경로로부터의 편차 차이의 노름(norm, $R$)에 의존합니다.
• 동작: 에고 드론(ego drone)이 뒤에 있을 때($\theta_\Delta$가 클 때), 포텐셜은 회피와 추월을 장려합니다($R$을 최대화). 에고 드론이 앞에 있을 때($\theta_\Delta$가 작을 때), 포텐셜은 방해를 장려합니다($R$을 최소화).
• 장점: 이 함수의 매끄러움(smoothness)은 계산 부담이 큰 엄격한 충돌 회피 제약 조건을 도입하지 않고도 민감도 기반 수치 최적화에 적합하게 만듭니다.

3. 제어 프레임워크: NMPC 대 NRHDG

본 연구는 두 가지 제어 전략을 비교합니다:

• 비선형 모델 예측 제어 (Nonlinear Model Predictive Control, NMPC): 에고 드론은 상대방이 단순화되고 고정된 예측 모델(일정한 경로 파라미터 변화율 및 경로로부터의 일정한 거리)을 따른다고 가정하여 자신의 궤적을 최적화합니다.
• NRHDG: 이 문제는 2인 제로섬 차분 게임으로 정식화됩니다. 에고 드론은 비용 함수를 최소화하는 동시에, 상대방이 동일한 비용 함수를 최대화한다고 명시적으로 가정합니다. 두 드론 모두 전체 비선형 확장 상태 방정식을 사용하여 모델링됩니다. 솔루션은 새들 포인트(saddle-point) 전략을 찾으며, 이를 통해 에고 드론은 실시간으로 상대의 최악의 행동에 대응할 수 있습니다.

4. 성능 지표

추월 및 방해 성능을 독립적으로 평가하기 위해 새로운 지표가 도입되었습니다:

• 추월 성능 (Overtaking Performance): 후방 출발 드론이 전방 출발 드론을 추월하는 순간의 호 길이 진척도로 측정됩니다.
• 방해 성능 (Obstructing Performance): 전방 출발 드론에 의해 방해를 받는 동안 후방 출발 드론의 호 길이 진척도로 측정됩니다.
• 비교 프로토콜: 본 연구는 동일한 초기 조건 하에서 동일한 전방 출발 제어기가 서로 다른 후방 출발 제어기를 상대하게 함으로써, 컨트롤러의 정체성과 무관하게 컨트롤러 자체의 성능만을 분리하여 비교합니다.

주요 기여

1. 통합 동적 모델: 투영점 역학을 기반으로 하여 상태 방정식에 직접 삽착되는 계산 효율적인 경로 추종 모델을 제공하며, 이를 통해 반복적인 거리 최소화 과정을 피하고 임의의 매끄러운 곡선으로 확장할 수 있습니다.
2. 매끄러운 포텐셜 함수: 완전히 비선형적인 모델의 민감도 기반 최적화에 맞춤 설계되어, 실시간으로 추월 및 방해 전략을 전환할 수 있는 커스텀 포텐셜 함수를 제공합니다.
3. 체계적인 성능 지표: 초기 조건과 상대방의 정체성을 동일하게 유지함으로써 성능 차이를 오직 컨트롤러에만 귀속시키는 새로운 평가 프레k워크를 제시합니다.

결과

Parrot MamboFly 모델을 사용하여 3D 경로에서의 수치 시뮬레이션을 수행했습니다. NRHDG와 NMPC 컨트롤러를 다양한 초기 조건과 속도 우위(입력 가중치를 통해 제어됨) 하에서 테스트했습니다.

• 추월 성능: NRHDG가 NMPC보다 일관되게 우수한 성능을 보였습니다. NRHDG가 후방 출발 드론이었을 때, 상대방을 추월하기 전까지 달성한 호 길이 진척도가 NMPC에 비해 유의미하게 높았습니다. 100개의 무작위 초기 조건에 대한 통계 분석 결과, 평균 성능 차이의 95% 신뢰 구간이 0을 포함하지 않았으며, 이는 통계적으로 유의미한 우위가 있음을 나타냅니다.
• 방해 성능: NRHDG는 우수한 방해 능력을 입증했습니다. 전방 출발 드론 역할을 할 때, NRHDG는 NMPC보다 후방 출발 상대의 진척도를 더 효과적으로 제한했습니다. 방해 성능 차이에 대한 95% 신뢰 구간은 일관되게 음수였으며, 이는 NRHDG가 상대를 더 효과적으로 방해함을 확인해 줍니다.
• 강건성: NRHDG의 우수성은 후방 출발 드론의 속도 우위 수준이 달라져도 유지되었으나, 그 우위의 크기는 가변적이었습니다. NRHDG는 특히 후방 출발 드론의 속도 우위가 작을 때, 최악의 상황 모델링을 활용하여 진척도를 극대화함으로써 매우 효과적이었습니다.

의의 및 주장

본 논문은 제안된 NRHDG 프레임워크가 드론 레이싱의 경쟁적 상호작용을 효과적으로 포착하며, 공격적(추월) 및 방어적(방해) 시나리오 모두에서 표준 NMPC 대비 통계적으로 유의미한 성능 향상을 제공한다고 주장합니다.

본 연구는 차분 게임 접근 방식을 통해 적대적 행동을 명시적으로 모델링함으로써, 고정된 상대 모델에 의존하는 표준 MPC와 달리 최악의 상대 행동에 맞서 최적의 성능을 낼 수 있음을 강조합니다. 결과는 경쟁적인 다중 에이전트 시스템에서 적대적 역학을 명시적으로 고려하는 것이 최적의 성능을 달하는 데 필수적임을 시사합니다. 저자들은 현재 연구가 단일 경로상의 두 드론에 집중하고 있지만, 개발된 원칙들이 자율 주행 차량 협력 및 항공 교통 관리와 같이 동적인 다중 에이전트 상호작용을 포함하는 더 넓은 영역에 적용될 잠재력이 있다고 언급했습니다. 다만, 이는 현재의 실험적 검증이라기보다 향후 연구 방향으로 제시되었습니다.