⚡ electrical engineering

Learning Flatness-Preserving Residuals for Pure-Feedback Systems

본 논문은 학습된 보정치에 하삼각 구조를 강제함으로써 순수 피드백 시스템(pure-feedback systems)에서 평탄성 보존 잔차 역학(flatness-preserving residual dynamics)을 학습하기 위한 프레임워크를 제안하며, 이를 통해 시스템의 미분 평탄성(differential flatness)을 유지하면서도 명목 모델(nominal models) 대비 추적 성능을 크게 향상시키는 효율적인 데이터 기반 모델 증강을 가능하게 한다.

원저자: Fengjun Yang, Jake Welde, Nikolai Matni

게시일 2026-01-28

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Fengjun Yang, Jake Welde, Nikolai Matni

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신은 드론이 복잡한 장애물 코스를 완벽하게 통과하도록 가르치려 한다고 상상해 보십시오.

문제점: "완벽한" 지도와 실제 세상의 차이

비행 경로를 계획하기 위해, 엔지니어들은 보통 **명목 모델(nominal model)**로 시작합니다. 이것은 진공 상태에서 바람의 영향 없이 드론이 어떻게 비행해야 하는지를 나타내는 완벽하고 이상적인 지도라고 생각하면 됩니다. 이 지도에는 **미분 평탄성(differential flatness)**이라는 특별한 초능력이 있습니다.

쉽게 말해, "평탄성"은 마스터 키를 가진 것과 같습니다. 만약 당신이 드론의 위치(이것을 "평탄 출력"이라고 합니다)를 알고 있다면, 드론이 수행해야 할 나머지 모든 것들—얼마나 빨리 회전해야 하는지, 얼마만큼의 추력을 사용해야 하는지, 그리고 다음에는 어디에 있을지—을 즉각적으로 계산할 수 있습니다. 이는 단순한 레시피를 따르는 것처럼 매우 빠르고 쉽게 경로를 계획할 수 있게 해줍니다.

하지만 여기 함정이 있습니다: 실제 세상은 진공이 아닙니다. 드론은 바람, 공기 저항, 그리고 기묘한 공기역학적 효과에 직면합니다. 이는 "완벽한 지도"가 알지 못하는 것들입니다. 이를 잔차 역학(residual dynamics) 또는 **모델링되지 않은 효과(unmodeled effects)**라고 부릅니다.

단순히 데이터에 기반하여 일반적인 "보정값"을 추가하여 지도를 수정하려고 하면(예를 들어, "이봐, 여기에 약간의 무작위 노이즈를 더해줘"라고 말하는 것처럼), 마스터 키가 망가지는 경우가 많습니다. 수정된 새로운 지도는 "평탄성"을 잃어버립니다. 갑자기, 간단했던 레시피는 복잡한 수학의 악몽으로 변합니다. 그리고 빠른 계획법들이 작동을 멈추게 됩니다. 당신은 다음 움직임을 결정하기 위해 훨씬 느리고 계산량이 많은 방법(예: 매우 고도화된 계산기 같은 방법)을 사용해야만 할 것입니다. 이는 실시간 비행을 하기에는 너무 느립니다.

해결책: "올바른 방식"으로 보정하는 법 배우기

저자들은 물어보았습니다: 마스터 키를 깨뜨리지 않으면서 퍼즐의 빠진 조각들을 배울 수 있을까?

그들은 평탄성을 유지하면서 보정치를 추가할 수 있는 특정한 방법을 발견했습니다. 그들은 특정 유형의 시스템 구조(순수 피드백(pure-feedback))에 집중했으며, 학습된 보정치가 특정 **삼각 패턴(triangular pattern)**을 따른다면 마스터 키의 마법이 보존된다는 것을 깨달았습니다.

비유: 계단
드론의 상태가 계단이라고 상상해 보십시오.

1단계: 위치
2단계: 속도
3단계: 방향(Orientation)
4단계: 제어 입력

"순수 피드백" 시스템에서, 2단계는 오직 1단계와 2단계에만 의존합니다. 3단계는 1단계, 2단계, 그리고 3단계에만 의존합니다. 이것은 위로 향하는 일방통행로입니다.

저자들은 다음과 같이 말합니다: "만약 우리가 학습한 보정치(바람에 대한 수정값) 역시 이 일방통행 규칙을 따른다면—즉, 2단계를 위한 수정치가 1단계와 2단계만을 바라보고 3단계를 미리 엿보지 않는다면—시스템 전체의 평탄성이 유지됩니다."

그들은 이를 **하삼각 잔차(Lower-Triangular Residual)**라고 부릅니다. 이는 계단의 윗부분을 건드리지 않고 아랫부분을 고치는 것과 같습니다. 구조가 보존되기 때문에, 그들은 "마스터 키"(평탄 미분 동형 사상)가 여전히 작동한다는 것을 수학적으로 증명할 수 있습니다. 또한, 기존의 키와 새로운 보정치를 사용하여 새로운 수정된 지도를 위한 키를 재구축하는 레시피까지 제공했습니다.

그들이 수행한 방법 (학습 부분)

데이터 수집: 그들은 드론을 (시뮬레이션에서) 비행시키며, 드론이 실제로 움직인 방식과 "완벽한 지도"가 예측한 방식 사이의 차이를 기록했습니다. 이 차이가 바로 "잔차(residual)"(바람이나 항력)입니다.
구조적 학습: 그들은 신경망(AI의 한 종류)을 사용하여 이 차이를 학습했지만, AI가 반드시 "삼각 계단" 규칙을 따르도록 강제했습니다. 이를 통해 AI가 평탄성을 깨뜨리는 것을 학습하지 않도록 보장했습니다.
키 재구축: 수학적 레시피를 사용하여, 그들은 기존의 "완벽한 지도" 키와 새로운 AI 보정치를 결합하여 "실제 세상"의 지도를 위한 완전히 새로운 키를 만들어냈습니다.

결과: 빠르고 정확함

그들은 미모델링된 공기 저항(항력)이 있는 2D 드론 시뮬레이션에서 이를 테스트했습니다.

정확도: 새로운 "학습된 평탄 모델"을 사용하는 드론은 기존의 "완벽한 지도"를 사용하는 드론보다 원하는 경로를 5배 더 잘 추적했습니다. 이는 매우 복잡하고 느린 방법(NMPC)과 거의 대등한 수준이었습니다.
속ness: 이것이 핵심적인 승리입니다. 그들이 사용한 방법은 복잡하고 느린 방법보다 20배 더 빨랐습니다.

핵심 요약:
보통, 당신은 정확도(데이터로 모델을 수정하는 것)와 속도(단순한 평탄성 수학을 사용하는 것) 사이에서 하나를 선택해야 합니다. 이 논문은 당신이 둘 다 가질 수 있다는 것을 보여줍니다. 데이터를 통한 보정을 (특정한 삼각 형태를 유지하며) 얼마나 영리하게 추가하느냐에 따라, 매우 정확하면서도 계산 비용이 저렴하여 실제 세상에 즉각적으로 반응할 수 있는 모델을 얻을 수 있습니다.

문제 정의
미분 평탄성(Differential flatness)은 비선형 시스템을 선형 적분 사슬(linear chains of integrators)로 변환할 수 있게 하여 효율적인 궤적 계획 및 피드백 제어를 용이하게 하는 강력한 특성이다. 그러나 평탄성은 일반적으로 이상적인 명목 모델(nominal models)에 대해 확립된다. 실제 환경에서는 미모델링된 역학(예: 쿼드로터의 공기역학적 항력)이 제어 성능을 저하시킨다. 잔차 학습(residual learning)은 알려지지 않은 역학을 근사하여 모델 정확도를 개선할 수 있지만, 일반적인 잔차 파라미터화는 확장된 시스템의 평탄성을 파괴하는 경우가 많다. 이러한 평탄성의 상실은 표준적인 평탄성 기반 계획 및 제어 방법을 적용할 수 없게 만든다. 나아가, 평탄성이 유지되더라도 확장된 시스템을 위한 새로운 평탄 미분동형사상(flatness diffeomorphism, 즉 평탄 출력과 상태/입력 사이의 매핑)을 구축하는 체계적인 방법이 없는 경우가 많다.

방법론
저자들은 순수 피드백 형태(pure-feedback form)를 갖는 시스템의 미분 평탄성을 엄격히 보존하는 잔차 역학 학습 프레임워크를 제안한다.

구조적 제한: 본 논문은 명목 역학 $\bar{f}$ 가 다중 입력 다중 출력 순수 피드백 형태로 표현될 수 있는 경우(가정 1)에 집중한다.
하삼각 구조의 잔차: 핵심적인 이론적 통찰은 학습된 잔차 역학 $\hat{\Delta}$ 가 하삼각 구조(정의 2)를 가질 경우, 확장된 시스템 $\bar{f} + \hat{\Delta}$ 가 미분 평탄성을 유지한다는 것이다. 구체적으로, 잔차의 $i$ 번째 성분은 오직 첫 $i$ 개의 하위 상태들에만 의존하며, 이를 통해 순수 피드백 구조의 재귀적 가해성(recursive solvability)을 보존한다.
구성적 미분동형사상: 본 논문은 명목 모델의 미분동형사상과 학습된 잔차를 사용하여 확장된 시스템의 평탄 미분동형사상을 복구하는 구성적 절차(정리 3)를 제공한다. 이를 통해 평탄 출력(예: 쿼드로터의 위치)은 변경되지 않은 채로 유지하면서, 상태 및 입력으로의 매핑은 잔차를 반영하여 업데이트할 수 있다.
학습 알고리즘: 저자들은 하삼각 구조를 갖도록 잔차 성분을 매끄러운 함수 근사기(구체적으로 GeLU 활성화 함수를 사용하는 피드포워드 신경망)를 사용하여 파라미터화한다. 모델은 참 잔차(유한 차분법을 통해 추정됨)와 학습된 잔차 사이의 제곱 오차를 최소화함으로써 궤적 데이터로부터 훈련된다. 훈련이 완료되면, 필요한 야코비안(Jacobian)을 계산하기 위해 자동 미분을 사용하여 평탄 미분동형사상을 오프라인에서 구축한다.

주요 기여

이론적 특성화: 저자들은 순수 피드백 시스템의 미분 평탄성을 보존하는 광범위한 잔차 역학 클래스(하삼각 구조)를 식별하고(정리 2), 명목 시스템의 평탄 출력이 확장된 시스템에서도 유효함을 증명하였다.
구성적 절차: 명목 모델의 미분동형사상과 학습된 잔차로부터 확장된 모델의 평탄 미분동형사상을 직접 구축하는 체계적인 방법을 제공한다(정리 3).
학습 프레임워크: 하삼각 구조를 강제하는 파라미터화 및 학습 알고리즘을 개발하여, 궤적 데이터로부터 평탄성을 보존하는 잔차 모델을 직접 학습할 수 있게 한다.
실증적 검증: 미모델링된 공기역학적 효과(선형 및 기생 항력)가 작용하는 2D 쿼드로터에 대해 접근 방식을 검증하였다.

결과
미모델링된 항력이 존재하는 상황에서 2D 쿼드로터가 원형 및 레므니스케이트(lemniscate) 궤적을 추적하는 실험을 수행하였다:

개루프 성능: 학습된 잔차로 명목 모델을 확장했을 때, 명목 평탄 모델에 비해 평균 개루프 위치 추적 오차가 거의 한 자릿수 감소하였다(예: 원형 궤적에서 약 0.31m에서 약 0.026m로 감소).
폐루프 성능: 학습된 모델을 사용한 평탄 기반 추적 제어기는 명목 평탄 모델만을 사용한 제어기보다 약 5배 낮은 추적 오차를 달s성하였다.
계산 효율성: 동일한 학습된 잔사를 사용하는 비선형 모델 예측 제어(NMPC) 베이스라인과 비교했을 때, 평탄 기반 제어기는 유사한 추적 성능을 달성하면서도 계산 시간 측면에서 약 20배 더 빨랐다(제어 업데이트당 3.3 ms 대 85.2 ms).

의의 및 주장
본 논문은 미분 평탄 시스템에 대해 평탄성을 보존하는 잔차 역학 학습을 다룬 첫 번째 연구라고 주장한다. 그 의의는 데이터 기반 모델 개선과 평탄성 기반 제어를 위한 구조적 요구사항 사이의 간극을 메우는 데 있다. 확장된 모델이 평탄성을 유지하도록 보장하고 필요한 좌표 변환을 구축하는 방법을 제공함으로써, 이 접근 방식은 사례별 컨트롤러 재설계나 NMPC와 같은 계산 집약적인 대안의 필요성 없이 평탄 기반 방식의 계산적 이점(속도 및 단순성)을 유지할 수 있게 한다. 저자들은 이를 미분 평탄 시스템에서 잔차 모델을 학습하기 위한 더 원칙적인 방법론을 향한 기초적인 단계로 제시하며, 향후 구조적 가정을 완화하고 물리적 하드웨어에 배포하는 연구를 계획하고 있다.

문제점: "완벽한" 지도와 실제 세상의 차이

해결책: "올바른 방식"으로 보정하는 법 배우기

그들이 수행한 방법 (학습 부분)

결과: 빠르고 정확함

유사한 논문