Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame

기술 요약: 차량 제어를 위한 다단계 딥 코프만 네트워크 (MDK-Net) - 프레네 프레임 기반

문제 정의
자율주행 차량을 위한 최적 및 모델 예측 제어(MPC) 전략의 실제 구현은 횡방향/종방향 운동, 타이어 힘, 파워트레인 역학 간의 복잡한 상호작용으로 인해 발생하는 차량 시스템의 고도의 비선형성으로 인해 어려움을 겪고 있다. NMPC, iLQR과 같은 비선형 제어 기법은 높은 정확도를 제공하지만, 계산 복잡성이 높아 실시간 애플리케이션에 적합하지 않은 경우가 많다. 반면, 전통적인 선형화 방법(예: 테일러 급수)은 계산 효율성은 높지만, 넓은 운전 영역 전반의 역학을 포착하는 데 실패하여 국부적인 영역에서만 유효하다는 한계가 있다. EDMD와 같은 기존의 데이터 기반 접근 방식은 관측 함수(observable functions)를 수동으로 선택해야 하며, 이는 시스템 역학을 정확하게 포착하기 위해 광범한 시행착오를 요구한다.

방법론
저자들은 곡선 형태의 프레네 프레임(Frenet frame) 내에서 비선형 차량 역학의 전역적 선형 표현을 학습하도록 설계된 딥러닝 프레임워크인 **다단계 딥 코프만 네트워크(MDK-Net)**를 제안한다.

• 프레임워크 아키텍처: 이 모델은 코프만 연산자(Koopman operator)와 리프팅(lifting, 관측) 함수를 동시에 학습하는 심층 신경망을 채택한다.

  • 상태 표현: 시스템은 프레네 프레임에서 작동하며, 상태에는 종방향 속도($v_x$), 횡방향 속도($v_y$), 요 레이트($\dot{\psi}$), 진행 차이($\Delta s$), 횡방향 편차($e_y$), 헤딩 오차($e_\psi$)가 포함된다.
  • 입력: 제어 입력은 스로틀, 브레이크 압력, 조향각과 같은 저수준 액추에이터로 구성된다. 결정적으로, **도로 곡률($\kappa$)**은 외생 변수 입력으로 취급되며, 저자들은 이를 코프만 기반 차량 모델링에서 새로운 점으로 언급한다.
  • 인코더: 완전 연결 다층 퍼셉트론(MLP)이 인코더 $\phi(\cdot)$ 역할을 수행하여 원래의 상태 $x_k$를 잠재 공간 $Z_k$로 매핑한다. 관측 벡터 $\psi(x_k)$는 원래의 상태와 이러한 잠재 상태를 결합하여 구성된다: $\psi(x_k) = [x_k^\top, Z_k^\top]^\top$.
  • 선형 역학: 리프팅된 공간에서의 역학은 $\psi(x_{k+1}) = A\psi(x_k) + Bu_k$로 근사되며, 여기서 행렬 $A$와 $B$는 코프만 연산자를 나타내는 학습된 파라미터이다.

• 학습 및 손실 함수: 단일 단계 예측에 집중하는 전통적인 코프만 방식과 달리, MDK-Net은 장기적인 정확도와 안정성을 보장하기 위해 복합 손실 함수를 사용한다:

  1. 단일 단계 손실 ($L_{ssl}$): 1단계 리프팅 상태 예측의 편차에 대해 벌점을 부여한다.
  2. 다단계 손실 ($L_{msl}$): 예측 호라이즌 동안의 오차에 대해 벌점을 부여하며, 근미래의 정확도를 우선시하기 위해 망각 계수 $\beta$를 사용한다.
  3. 안정성 손실 ($L_{sl}$): 행렬 $A$의 고윳값 중 크기가 1보다 큰 값을 명시적으로 벌칙을 주어, 다단계 예측이 유계(bounded)임을 보장한다.
  4. 정규화 손실 ($L_{regl}$): 인코더 및 연산자 파라미터의 과적합을 방지한다.

• 제어 적용: 학습된 코프만 모델은 MPC 프레임워크 내에 배치된다. 최적화 문제는 곡률을 호라이즌 동안 일정한 외생 입력으로 취급하며 리프팅된 관측 공간에서 정식화된다.

주요 기여
본 논문은 네 가지 주요 기여를 식별한다:

1. 프레네 프레임 통합: 딥러닝 기반 코프만 연산자를 차량 역학에 적용하고 도로 곡률을 외생 입력으로 명시적으로 포함한 첫 번째 사례이다.
2. 저수준 입력 모델링: 단순화된 타이어/파워트레인 표현을 넘어 전체 파워트레인 및 드라이브라인 역학을 포착하기 위해 원시 제어 입력(조향, 브레이크, 스로틀)을 활용한다.
3. 엔드 투 엔드 아키텍처: 제어 입력을 원래의 상태 공간으로 다시 매핑하기 위한 보조 디코더를 필요로 하지 않고, 관측 함수와 코프만 연산자를 공동으로 학습하는 새로운 아키텍처를 개발하였다.
4. 안정성 강제: 불안정한 고윳값에 벌점을 주는 특정 안정성 손실 항을 도입하여, 학습된 역학이 다단계 예측에서도 유계로 유지되도록 보장하였다.

결과
모델은 고충실도 CarSim 시뮬레이션 환경(C-Class 해치백, 7,000 에피소드)의 데이터를 사용하여 학습 및 테스트되었다.

• 예측 정확도: 2,400개의 궤적(80-step 호라이즌)에 대한 오픈 루프 테스트에서, MDK-Net은 MATLAB의 시스템 식별 툴박스를 통해 식별된 선형 시불변(LTI) 모델보다 성능이 크게 우수했다.
  • 핵심적인 횡방향 역학($v_y$ 및 $e_y$)에 대해, LTI 모델의 MSE가 각각 0.548 및 39.303인 것에 비해 MDK-Net은 0.020 및 2.504의 MSE를 달성했다.
  • MDK-Net은 더블 차선 변경 기동 시 모든 상태 변수의 진화를 정확하게 포착한 반면, LTI 모델은 특히 횡방향 및 헤딩 오차에서 상당한 드리프트(drift)를 보였다.
• 제어 성능: MDK-Net 모델을 사용하는 MPC 컨트롤러는 더블 차선 변경 시나리오에서 최소한의 오차로 참조 궤적을 성공적으로 추적했다. 반면, LTI 기반 MPC 컨트롤러는 눈에 띄는 드리프트를 보였으며 횡방향 및 각속도를 적절히 추적하는 데 실패했다.
• 계산 효율성: 리프팅된 상태 공간의 높은 차원에도 불구하고, 코프만 기반 MPC 최적화 문제의 볼록성(convexity) 덕분에 선형 MPC와 유사한 계산 효율성을 확보했다. 10초 시뮬레이션에 대해, Intel Core i7-1165G7 프로세서에서 MDK-Net MPC는 7.4초가 소요된 반면, LTI MPC는 3.2초가 소요되었다. 저자들은 이것이 기존의 비선선형 MPC의 높은 자원 요구량과 대조할 때 실시간 구현이 가능하다는 점을 언급했다.

의의 및 주장
본 논문은 MDK-Net 프레임워크가 비선형 모델링의 정확성과 실시간 제어에 필요한 계산 효율성 사이의 간극을 성공적으로 메운다고 주장한다. 딥러닝을 활용하여 관측 함수를 자동 발견하고 특정 손실 항을 통해 안정성을 강제함으로써, 이 접근 방식은 전통적인 선형화보다 우수하고 비선형 제어 방법보다 계산이 용이한, 차량 역학에 대한 전역적 선형 표현을 제공한다. 저자들은 이 연구를 복잡한 도로 기하학(곡률) 및 전체 차량 역학을 포함하는 시나리오에서 더욱 효율적이고 정확한 자율주행 차량 제어를 위한 기초적인 단계로 자리매김하고 있다.