LP-MPPI: Low-Pass Filtering for Efficient Model Predictive Path Integral Control

기술 요약: LP-MPPI: 효율적인 모델 예측 경로 적분 제어를 위한 저역 통과 필터링

문제 정의
모델 예측 경로 적분(Model Predictive Path Integral, MPPI) 제어는 미분 가능성을 요구하지 않고도 임의의 역학 및 비용 함수를 처리할 수 있는 능력 덕분에 가치가 높은, 견고한 샘플링 기반 실시간 모션 플래닝 방식입니다. 그러나 표준 MPPI는 백색 잡음 분포(독립적인 요소들을 가진 가우시안 분포)로부터 제어 궤적 섭동을 샘플링하는 것에 의존합니다. 이는 궤적 내에 시간적 상관관계가 결여되게 하여, 결과적으로 고주파 잡음을 유발합니다. 로봇 시스템의 역학은 자연스럽게 고주파를 감쇄시키기 때문에, 이러한 성분들은 최적의 제어를 찾는 데 기여하지 못합니다. 대신, 이들은 적용된 제어 신호에 "채터링(chattering)" 현상을 일으켜 액추에이터의 마모를 초래하고 비효율적인 탐색 과정을 만듭니다. 스플라인 보간(spline interpolation)이나 입력 리프팅(input lifting)과 같은 기존 솔루션들은 주파수 스펙트럼에 대해 거칠거나 간접적인 제어만을 제공합니다. 컬러 노이즈(colored noise)를 사용하는 다른 접근 방식들(예: iCEM 또는 특정 MPPI 변형)은 신호 성분을 주파수의 역수에 비례하여 감쇄시키는데, 이는 탐색을 너무 낮은 주파수 쪽으로 편향시켜 적절한 주파수 변화(예: 다리 보행 로코모션)가 필요한 최적의 동작을 놓칠 위험이 있습니다.

방법론
저자들은 MPPI 샘플링 과정에 저역 통과 필터를 직접 통합하는 **저역 통과 모델 예측 경로 적분 제어(Low-Pass Model Predictive Path Integral Control, LP-MPPI)**를 제안합니다.

• 핵심 메커니즘: 표준 MPPI가 백색 잡음 $\epsilon$을 샘플링하여 명목 제어 $U$에 더하는 것과 달리, LP-MPPI는 백색 잡음을 샘플링한 후 이를 저역 통과 필터(구체적으로 버터워스 필터)에 통과시켜 필터링된 섭동 $\epsilon_{LP}$를 생성합니다. 그 후 제어 시퀀스는 $U + \epsilon_{LP}$로 업데이트됩니다.
• 주파수 형성: 이 접근 방식은 섭동에 시간적 상관관계를 도입하여, 효과적으로 제어 궤적의 주파수 스펙트럼을 형성합니다. 이는 탐색을 저주파 신호 쪽으로 편향시키는 동시에 사용자가 통과 대역(passband)을 명시적으로 정의할 수 있게 합니다.
• 매개변수: 이 방법은 두 가지 해석 가능한 물리적 매개변수를 도입합니다:
  1. 차단 주파수 ($f_c$): 통과 대역의 폭을 제어하여, 섭동에서 가장 높은 전력 밀도를 갖는 주파수 범위를 결정합니다.
  2. 필터 차수 ($o_{LPF}$): 저지 대역(stopband)의 롤오프 기울기를 제 제어하여, 고주파 성분이 얼마나 공격적으로 감쇄될지를 결정합니다.
• 구현: 필터링은 시뮬레이션 전의 잡음 시퀀스에 적용되며, 최종 제어 신호에 적용되는 것이 아닙니다. 이는 적용되는 제어 신호가 반응성을 유지하면서(첫 번째 제어 입력은 여전히 빠르게 변할 수 있음) 궤적 탐색이 타당하고 매끄러운 경로를 향하도록 편향되도록 보장합니다. 필터링은 호라이즌 길이에 비례하는 적은 수의 곱셈만을 필요로 하므로 계산 비용은 무시할 수 있는 수준입니다.

주요 기여

1. 알고리즘 혁신: 유해한 고주파 잡음을 제거하면서도 탐색 효율성을 희생하지 않고 제어 궤적 섭동의 주파수 스펙트럼을 형성하는 LP-MPPI를 제안했습니다.
2. 해석 가능성 및 튜닝: 컬러 노이즈 접근 방식이 제공하는 유연하지 못한 편향과 달리, 물리적으로 의미 있는 매개변수($f_c$ 및 $o_{LPF}$)를 통해 주파수 스펙트럼을 직관적으로 직접 제어할 수 있는 방법을 제공합니다.
3. 포괄적인 평가: 세 가지 서로 다른 도메인에 대한 철저한 실험적 분석을 수행했습니다:
   • Gymnasium 환경: Hopper-v5, Ant-v5, HalfCheetah-v5.
   • 시뮬레이션 사족보행 로코모션: 확산 기반 MPC 프레임워크(Dial-MPC)를 사용하는 Unitree Go2 및 MAB Silver Badger 로봇.
   • 실제 응용: 물리적 타원 트랙에서의 F1TENTH 자율 주행 레이싱.

실험 결과
본 논문은 상태 최신(state-of-the-art) MPPI 변형 모델들(원래의 MPPI, SMPPI, SCP-MPPI, ColoredMPPI 포함)에 대해 LP-MPPI의 일관된 성능 향상을 보고합니다:

• Gymnasium 환경: LP-MPPI는 광범위한 호라이즌 길이($H$)와 롤아웃 횟수($N$)에 걸쳐 베이스라인 모델들을 능가했습니다. 평균적으로 베이스라인 대비 **24%**의 성능 향상을 보였습니다. 특히 샘플 효율성이 매우 높아, 더 적은 롤아웃으로도 큰 이득을 보여주었습니다.
• 제어 매끄러움: 정량적 지표(평균 제곱 2차 미분 및 평균 Savitzky-Golay 필터 편차)를 통해 LP-MPPI가 채터링을 줄이면서도 높은 보상을 유지하며 훨씬 더 매끄러운 제어 신호를 생성함을 확인했습니다.
• 사족보행 로코모션: Dial-MPC와 결리되었을 때(LP-Dial-MPC 생성), 이 방법은 표준 Dial-MPC 대비 평균 **32%**의 성능 향상을 달ох했으며, ColoredMPPI 변형(보상이 약 절반 수준인 모델)보다도 크게 앞섰습니다.
• 실제 레이싱: F1TENTH 자율 주행 레이싱에서 LP-MPPI는 30초 시도 중 중앙값 이동 거리에서 가장 높은 성적을 기록하며 모든 베이스라인을 능가했습니다. 표준 CPU(Intel Core i5-12500H)에서 무시할 만한 계산 오버헤드(F1TENTH에서 약 2.4% 증가, Ant-v5에서는 물리 엔진 상호작용 단순화로 인해 오히려 시뮬레이션 시간이 약간 감소함)를 유지하며 실시간 성능을 유지했습니다.

의의 및 주장
저자들은 LP-MPPI가 MPPI 알고리즘에 대한 단순하면서도 강력한 수정 사항이라고 주장합니다. 이 방법의 의의는 다음과 같습니다:

• 효율성: 로봇 역학이 필터링하는 고주파 잡음에 샘플을 낭비하는 대신, 최적의 동작이 주로 존재하는 허용 가능한 주파수 범위로 탐색을 집중함으로써 최적의 제어를 찾는 과정을 개선합니다.
• 실용성: 제어 신호를 매끄럽게 만들어 액추에이터 마모를 줄이고, 계산 오버헤드가 매우 적어 실시간 에지 디바이스에 적합합니다.
• 적응성: 직관적인 매개변수 튜닝(차단 주파수 및 필터 차수)을 통해 다양한 로봇 시스템에 매우 높은 적응성을 가지며, Dial-MPC에서 입증된 바와 같이 다양한 샘플링 기반 MPC 접근 방식과 원활하게 통합될 수 있습니다.

결론적으로 LP-MPPI는 탐색 효율성, 제어 매끄러움, 그리고 계산 비용 사이에서 우수한 균형을 제공하며, 고성능 궤적 최적화가 필요한 실시간 로봇 제어 작업에 강력한 후보임을 보여줍니다.