기술 요약: 강건 적응형 이산 시간 제어 장벽 인증 (Robust Adaptive Discrete-Time Control Barrier Certificate)

문제 정의

본 논문은 유계된 외부 외란(bounded external disturbances)과 파라미터 모델 불확실성(parametric model uncertainty)이 존재하는 이산 시간 시스템에 대해 안전성을 보장하는 과제를 다룹니다. 제어 장벽 함수(Control Barrier Functions, CBFs)는 연속 시간 시스템의 안전 임계 제어를 위한 표준 도구가 되었으나, 미지의 파라미터를 가진 이산 시간 시스템(DT-CBFs)에 대한 적용은 아직 미비한 상태입니다.

기존의 모델 기반 방법들은 모델 불확실성에 취약할 수 있으며, 이는 안전 보장을 저해할 수 있습니다. 연속 시간 시스템을 위한 강건 및 적응형 확장 기법들이 존재하지만, 이들은 이산 시간에서는 사용할 수 없는 미분 기반의 논리에 의존합니다. 또한, 이산 시간 제어기는 미래의 정보 없이 인과적으로(causally) 작동해야 한다는 제약이 있는데, 이는 기존의 연속 시간 적응형 CBF 문헌에서 충분히 다뤄지지 않은 문제입니다. 핵심 문제는 실제 시스템 파라미터($\theta^*$)에 접근하지 않고도 온라인 파라미터 추정을 허용하면서, 외란에도 불구하고 시스템 상태가 안전 집합 내에 머물도록 보장하는 프레임워크를 개발하는 것입니다.

방법론

시스템 모델

저자들은 다음과 같은 입력 아핀(input-affine) 이산 시간 시스템을 고려합니다:
$$x_{t+1} = f_d(x_t) - [\phi(x_t)]^\top \theta + g(x_t)u_t + w_t$$
여기서 $x_t$는 상태, $u_t$는 입력, $\theta$는 미지의 상수 파라미터 벡터, $w_t$는 알려진 다면체(polytope) 내에 존재하는 유계된 외란입니다. 드리프트 항(drift term)은 알려진 명목 부분(nominal part)과 미지 파라미터에 선형적인 불확실한 부분으로 구성됩니다.

강건 적응형 제어 프레임워크

제안된 접근 방식은 안전 필터와 파라미터 추정기를 분리하여 모듈형 설계를 가능하게 합니다.

1. 적응형 강건화 장벽 함수 (Adaptively Robustified Barrier Function):
   표준 장벽 함수 $B(x, \theta)$ 대신, 저자들은 현재의 파라미터 추정치 $\hat{\theta}_t$와 추정 오차에 기반한 페널티 항을 포함하는 시변 장벽 함수 $B_{ra,t}(x)$를 정의합니다:
   $$B_{ra,t}(x) := B(x, \hat{\theta}_t) - \frac{1}{2}e_{\theta,t}^\top \Gamma^{-1} e_{\theta,t}$$
   여기서 $e_{\theta,t} = \hat{\theta}_t - \theta^*$ 이고 $\Gamma$는 양의 정부호 행렬입니다. 이는 현재의 추정치에 의해 정의된 집합의 부분 집합인 "강건화된" 안전 집합 $S_{ra,t}$를 생성하며, 추정이 불완전하더라도 안전성을 보장합니다.

2. 강건 적응형 CBF 인증 (Robust Adaptive CBF Certificate):
   본 논문은 함수가 강건 적응형 DT-CBF가 되기 위한 충분 조건(정의 4)을 확립합니다. "강건 적응형 CBC"라고 불리는 이 조건은 다음을 고려합니다:

• 유계된 외란 ($w$).
• 파라미터 모델 불일치.
• 파라미터 추정치의 증분 ($\delta_{\theta,t}$).
• 장벽 함수와 시스템 동역학의 리프시츠 상수(Lipschitz constants).

결정적으로, 이 인증은 $\theta^*$를 필요로 하지 않고, 추정 오차와 파라미터 증분에 대한 최악의 경우 경계(worst-case bounds)를 사용하여 오프라인에서 검증됩니다.

3. 온라인 입력 조건 (Online Input Condition):
   실시간 구현을 위해, 저자들은 현재의 추정치 $\hat{\theta}_t$와 현재의 추정 오차 경계 $\varepsilon_{\theta,t}$에만 의존하는 온라인 입력 조건을 유도합니다(식 17). 이 조건은 허용 가능한 제어 입력의 집합 $U_{ras,t}(x)$를 정의합니다. 안전 필터는 임의의 명목 제어 입력을 이 집합으로 투영(project)하여 안전을 보장합니다.

4. 인과적 추정 및 합성 (Causal Estimation and Synthesis):
   논문은 집합 멤버십 투영(set-membership projection)을 포함한 클리핑된 재귀 최소 제곱법(clipped RLS)을 사용하는 특정 추정기를 제안합니다. 이 추정기는 과거 데이터($F_{t-1}$)를 기반으로 파라미터 집합 $\Theta_t$와 점 추정치 $\hat{\theta}_t$를 업데이트하여, 제어 입력 $u_t$가 ($t+1$ 정보에 의존하지 않고) 인과적으로 계산되도록 보장합니다.

주요 기여

1. 이산 시간 강건 적응형 안전 보장: 본 연구는 유계된 외란과 파라미터 불일치 하에서의 입력 아핀 이산 시간 시스템에 대한 강건한 안전 보장을 확립합니다. 미분 기반의 논리가 부족한 이산 시간 환경에 적합한 온라인 입력 조건을 유도했습니다.
2. 모듈형 아키텍처: 제안된 프레임워크는 파라미터 추정 모듈을 CBF 기반 안전 필터와 별도로 설계할 수 있음을 보여줍니다. 이러한 결합 해제(decoupling)는 안전한 적응형 제어기의 개발을 단순화하며, 이는 기존의 연속 시간 결과에서 명시적으로 드러나지 않았던 특징입니다.
3. 내재적 강건성 분석: 논문은 제안된 제어 방식의 "내재적 강건성(inherent robustness)"에 대한 엄밀한 분석을 제공합니다. 만약 (섭동이나 잘못된 추정으로 인해) 시스템 상태가 강건 적응형 안전 집합 밖에 있다면, 제어 정책이 상태를 안전 집합 시퀀스로 점근적으로 유도함을 증명합니다.
4. 일반적인 온라인 추정기 호환성: 본 방법론은 점 추정치, 집합 추정치 및 추정 증분의 균등 경계(uniform bounds)를 제공하는 일반적인 온라인 파라미터 추정기를 수용하며, 특정 학습 알고리즘에 국한되지 않습니다.

결과 및 주장

• 안전 보장: 주요 이론적 결과(정리 2)는 장벽 함수가 강건 적응형 CBC 조건을 만족하면, 허용 가능한 제어 입력의 집합이 공집합이 아님을 명시합니다. 또한, 제어 정책이 이 집합 내의 입력을 선택하면 폐루프 시스템은 시변 안전 집합 $\{S_{ra,t}\}$에 대해 강건하게 안전합니다.
• 인과성: 제안된 합성은 가용한 과거 정보만을 사용하여 제어 입력을 계산함으로써 샘플 데이터 시스템의 인과적 요구 사항을 충족합니다.
• 수렴 vs. 안전: 저자들은 파라미터 수렴($\theta^*$로의 수렴)이 보수성을 줄일 수는 있지만, 안전 보장은 파라미터 추정치의 수렴에 의존하지 않는다는 점을 명시적으로 언급합니다. 실제 파라미터가 추정된 집합 $\Theta_t$ 내에 머무는 한 안전은 유지됩니다.
• 구현: 논문은 구현을 위한 알고리즘(알고리즘 1)을 개략적으로 설명하며, 일반적인 최적화 문제는 비볼록(non-convex)이지만, 장벽 함수가 상태에 대해 오목(concave)하다면 볼록 최적화 문제(convex optimization problem)가 된다는 점을 언급합니다. 이는 많은 DT-CBF 공식에서 표준적인 가정입니다.

의의

본 논문의 주요 의의는 이산 시간 시스템을 위한 일반적인 강건 적응형 안전 제어 프레임워크를 구축했다는 데 있습니다. 특정 장벽 함수를 설계하거나, 새로운 파라미터 추정 알고리즘을 개발하거나, 특정 시스템에 대한 장벽 함수의 존재를 검증하는 것을 목표로 하지 않습니다. 대신, 기존의 추정 도구들을 이산 시간 환경에서 CBF 기반 제어기와 안전하게 통합할 수 있게 하는 이론적 토대(인증 및 온라인 조건)를 제공합니다.

이 연구는 연속 시간 적응형 CBF 이론과 (MPC 및 강화 학습과 같은) 이산 시간 구현의 실제 현실 사이의 간극을 메우며, 실제 시스템 파라미터에 대한 지식 없이도 외란에 강건하고 모델 불확실성에 적응할 수 있는 전략을 제시합니다.