기술 요약: 인식론적 및 알레아토릭 불확실성 하에서의 온라인 적응형 제어 장벽 함수 (Online Adaptive Control Barrier Functions)

1. 문제 정의

제어 장벽 함수(Control Barrier Functions, CBFs)는 명목 제어기(nominal controller)를 최소한으로 수정하여 안전 제약 조건을 강제하기 위해 로봇 시스템에서 사용하는 표준적인 도구이다. 그러나 CBF 기반 제어기의 실제 성능은 클래스-$\mathcal{K}$ 함수 파라미터(감쇄율)의 선택에 크게 의존한다. 이는 다음과 같은 근본적인 트레이드오프를 발생시킨다:

• 보수적인 파라미터는 실행 가능성과 안전성을 보장하지만, 종종 느리고 우회적인 움직임을 초래한다.
• 공격적인 파라미터는 진행 효율을 높이지만, 특히 입력 제약 조건이 있거나 장애물 근처에 있을 때 안전 필터를 실행 불가능하게 만들거나 불안전하게 만들 수 있다.

이러한 파라미터를 온라인으로 적응시키려는 기존의 학습 기반 접근 방식들은 종-종 학습된 모델을 최적 파라미터의 직접적인 생성기로 취급한다. 이는 치명적인 위험을 초래한다: 만약 모델이 분포 외(out-of-distribution, OOD) 상태나 장애물 배치에 대해 과도한 확신(overconfident)을 갖게 되면, 안전 필터의 실행 가능성을 직접적으로 해치는 잘못된 파라미터를 출력할 수 있기 때문이다. 또한, 많은 기존 방법론은 예측 불확실성을 평가하거나 적용 전 입력 제약 조건에 대해 파라미터를 검증하는 명시적인 메커니즘이 부족하다.

본 논문은 입력 제약 조건 하에서의 온라인 CBF 파라미터 적응 문제를 다루며, 엄격하고 불확실성을 고려한 검증 프로세스를 통해 보수성을 줄이면서 안전성을 보장하는 것을 목표로 한다.

2. 방법론: 온라인 적응형 CBF (OA-CBF)

제안된 프레임워크인 OA-CBF는 파라미터를 직접 예측하는 것에서 후보 파라미터에 대한 불확실성 인지적 평가로 패러다임을 전환한다. 단일 최적 파라미터를 예측하는 대신, 시스템은 후보 파라미터를 샘플링하고, 이를 안전 및 성능 지표에 대해 평가한 후, 검증된 최적의 후보를 선택한다.

A. 국소적으로 검증된 CBF 파라미터

단일 파라미터가 모든 미래 상태에 대해 전역적으로 유효할 것을 요구하는 대신(이는 종종 난해하며 지나치게 보수적이다), OA-CBF는 국소적으로 검증된 CBF 파라미터라는 개념을 도입한다. 파라미터는 유한한 예측 지평 $[t, t+T]$ 동안 입력 제약 조건이 있는 CBF(ICCBF) 조건을 만족하면 국소적으로 유효한 것으로 간 만큼 된다.

• 프레임워크는 시스템 궤적이 이 지평 동안 "내부 안전 집합" $C^\star(\alpha)$ 내에 머무름을 인증한다.
• 지평보다 짧은 간격으로 파라미터를 반복적으로 업데이트함으로써, 재귀적 지평 검증(receding-horizon validation) 메커니즘을 통해 안전성을 유지한다.

B. 예측 모델 설계

후보를 효율적으로 평가하기 위해, OA-CBF는 오프라인에서 훈련된 **확률적 앙상블 신경망(Probabilistic Ensemble Neural Network, PENN)**을 사용한다.

• 그래프 어텐션 인코더(Graph-Attention Encoder): 가변적인 수의 장애물이 있는 환경을 처리하기 위해, 모델은 어텐션 메커니즘이 포함된 그래프 신경망(GNN)을 사용하여 패딩이나 휴리스틱 선택 없이 모든 관측된 장애물(로봇, 목표, 장애물을 노드로 구성)로부터 정보를 집계하여 컨텍스트 벡터를 생성한다.
• 입력 구조: 후보 CBF 파라미터 $\tilde{\alpha}$는 환경 컨텍스트 벡터와 명시적으로 결합된다. 네트워크는 다음 두 가지 지표에 대한 분포를 예측한다:
  1. 안전 지표 ($\phi$): ICCBF 제약 조건 위반 및 장애물 근접성에 페널티를 부여하는 안전 손실 밀도 함수로부터 유도된 리스크 수준.
  2. 성능 지표 ($\delta$): 진행 효율(예: 목표 도달 시간)의 척도.
• 앙상블 구조: PENN은 인식론적 불확실성(데이터 제한으로 인한 모델 불확실성)과 알레아토릭 불확실성(시스템의 내재적 노이즈)을 모두 포착하기 위해 여러 개의 독립적인 신경망으로 구성된다.

C. 2단계 불확실성 인지 검증

후보 파라미터가 적용되기 전에 두 가지 엄격한 관문을 통과해야 한다.

1. 인식론적 불확실성 관문 (Conformal Prediction):

   • 시스템은 앙상블 간의 **젠슨-레니 디버전스(Jensen-Rényi Divergence, JRD)**를 사용하여 모델 간의 불일치를 정량화한다.
   • 특정 인-디스트리뷰션(in-distribution) 재현율을 보장하기 위해, 홀드아웃 데이터셋을 사용하여 임계값 $D_{thr}$을 **컨포멀 예측(conformal prediction)**으로 교정한다.
   • 만약 JRD가 임계값을 초과하면, 입력이 OOD로 간주되어 과도한 외삽을 방지하기 위해 예측이 거부된다.

2. 알레아토릭 리스크 스크리닝 (Distributionally Robust CVaR):

   • 인식론적 관문을 통과한 후보들에 대해, 시스템은 예측된 안전 지표의 **조건부 가치 위험(Conditional Value at Risk, CVaR)**을 평가한다.
   • 분포 강건(distributionally robust) 조건은 가장 보수적인 앙상블 멤버조차 높은 확률로 안전 임계값 미만의 리스크를 예측하도록 보장한다. 이는 안전 위반을 초래할 수 있는 알레아토릭 리스크(노이즈/변동성)를 걸러낸다.

D. 선택 및 제어

두 검증 단계를 모두 통과한 후보들 중에서, 시스템은 예측된 성능 지표 $\delta$를 최소화하는 파라미터를 선택한다. 선택된 파라미터는 CBF-QP 또는 샘플드 데이터 MPC-CBF로 구현될 수 있는 제어기에 적용된다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 한다:

1. 국소 검증된 CBF 정식화: 전역 솔루션을 찾는 대신 유한한 지평 동안 파라미터를 검증함으로써 CBF 파라미터를 적응시키는 새로운 문제 정식화를 제시하며, 반복적인 국소 검증이 안전성을 보존함을 증명한다.
2. 불확실성 인지 검증: 인식론적 게이팅을 위한 컨포멀 예측과 알레아토릭 리스크 스크리닝을 위한 분포 강건 CVaR를 결합한 2단계 절차를 통해, 신뢰할 수 있는 예측만이 컨트롤러에 영향을 미치도록 보장한다.
3. 그래프-어텐션 예측 아키텍처: 단일 결정론적 값을 출력하는 대신 임의의 후보 파라미터를 평가할 수 있도록, 정보 손실 없이 가변 크기의 장애물 환경을 처리하는 확장 가능한 인코더를 제공한다.
4. 광범위한 적용성: 본 프레임워크가 MPC-CBF와 CBF-QP 필터 모두에서 작동하며, 거리 기반(ICCBF) 및 비거리 기반(Dynamic Parabolic CBF) 안전 제약 조건 모두에 적용 가능함을 입증한다.

4. 실험 결과

OA-CBF 프레임워크는 5가지 비선형, 입력 제약 시스템(Dynamic Unicycle, Planar Quadrotor (Quad2D), 3D Quadrotor (Quad3D), Kinematic Bicycle, VTOL Quadplane)에 대해 평가되었다.

• 안전성 vs. 보수성: 고정 파라미터 베이스라인과 비교했을 때, OA-CBF는 보수성을 크게 줄였다. 예를 들어, Dynamic Unicycle에서 OA-CBF는 0%의 안전 실패율과 평균 10.8초의 도달 시간을 달 기록한 반면, 보수적인 고정 파라미터는 31.0초(실패율 0%)가 걸렸고, 공격적인 고정 파라미터는 39%의 실패율을 보였다.
• 학습 기반 베이스라인과의 비교: OA-CBF는 BarrierNet 및 최적 감쇄(optimal-decay) 방법과 같은 학습 기반 베이스라인보다 우수한 성능을 보였다. 일부 베이스라인은 성공적인 시도에서는 빠른 시간을 달성했으나 높은 실패율을 보였다(예: BarrierNet은 Unicycle에서 60%의 실패율 기록). OA-CBFA는 모든 거리 기반 벤치마크에서 0%의 실패율을 유지하면서 안전한 방법들 중 가장 빠른 도달 시간을 달성했다.
• 그래프-어텐션의 영향: 제안된 그래프-어텐션 인코더를 표준 "최단 거리 장애물" 인코더로 교체했을 때 안전 실패율이 증가하였다(예: Quad2D에서 0%에서 11%로). 이는 전체 장애물 환경을 처리하는 것의 중요성을 보여준다.
• 비거리 기반 CBF: 상대 속도 공간에서 정의된 Dynamic Parabolic CBF를 사용하는 Kinematic Bicycle 실험에서, OA-CBF는 공격적인 고정 파라미터의 안전 실패율 84%를 **1%**로 낮추었으며, 이를 통해 거리 기반 함수 이외의 적용 가능성을 입증하였다.

5. 의의 및 주장

본 논문은 OA-CBF가 CBF 기반 제어에서 안전과 성능 사이의 트레이드오프를 해결하는 실행 가능한 메커니즘을 제공한다고 주장한다. 학습된 모델을 직접적인 생성기가 아닌 불확실성을 인지하는 평가기로 취급함으로써, 프레임워크는 적용 전 안전하지 않거나 신뢰할 수 없는 업데이트를 명시적으로 거부한다.

저자들은 이 방법이 다음과 같은 특징을 갖는다고 강조한다:

• 보수성 감소: 고정된 보수적 파라미터와 달리, 조건이 허락하는 한 시스템이 안전 집합의 경계 근처에서 작동할 수 있게 한다.
• 강건성 확보: 컨포멀 교정과 CVaR 스크리닝을 통해 신경망의 과도한 확신과 분포 변화(distribution shifts)에 따른 위험을 완화한다.
• 일반화 능력: 다양한 역학(unicycle부터 VTOL 항공기까지)과 다양한 CBF 정식화(거리 기반 및 상대 속도 기반)에 대해 효과적이다.

논문은 오프라인 훈련 데이터의 커버리지에 따라 적응 품질이 달라질 수 있으며, 센싱 오류, 모델링되지 않은 역학, 실시간 최적화 지연 문제를 해결하기 위한 추가적인 하드웨어 배포 연구가 필요함을 언급하며 겸허히 마무리된다.