Synthesis of Deep Neural Networks with Safe Robust Adaptive Control for Reliable Operation of Wheeled Mobile Robots

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 건설 및 산업 현장의 자동화 수요 증가로 인해 중량형 바퀴형 이동 로봇 (Heavy-duty WMRs) 의 활용이 확대되고 있습니다. 이러한 로봇은 험난한 환경에서 고출력 작업을 수행해야 하며, ISO 3691, ISO 13849, IEC 61508 등 엄격한 국제 안전 표준을 준수해야 합니다.
• 문제점:
  • 기존 모델 기반 제어의 한계: 중량형 로봇은 복잡한 구동 계통 (다단 액추에이션, 유압 시스템 등) 을 가지며, 바퀴 - 지면 상호작용, 마찰, 지연 등을 정확히 수학적으로 모델링하는 것이 매우 어렵고 계산 비용이 큽니다.
  • 딥러닝 (DNN) 의 한계: 데이터 기반의 DNN 은 복잡한 동역학을 학습하여 높은 정밀도의 제어를 가능하게 하지만, '블랙박스' 특성으로 인해 해석 가능성과 안정성 보장이 어렵습니다. 또한, 학습 데이터 분포 밖의 외부 섭동 (Disturbance) 이나 고장이 발생하면 성능이 급격히 저하되어 안전 사고로 이어질 수 있습니다.
• 핵심 질문: "정밀한 성능을 내면서도 안전 표준을 준수하고, 외부 섭동에 대해 강인한 중량형 로봇용 제어 정책은 어떻게 설계할 수 있는가?"

2. 제안된 방법론 (Methodology)

저자는 **이중 안전 계층 (Two Safety Layers)**을 가진 계층적 제어 아키텍처를 제안하여 DNN 의 정밀성과 강인 적응 제어 (RAC) 의 안정성을 통합했습니다.

A. 계층적 제어 구조

1. 주 제어기 (Nominal Condition): Levenberg-Marquardt (LM) 알고리즘으로 학습된 DNN을 사용합니다.
   • 정상 작동 시 높은 정밀도의 궤적 추적을 제공합니다.
   • 복잡한 물리 모델 없이 센서 데이터 (속도, RPM) 로부터 제어 명령을 직접 학습합니다.
2. 저수준 안전 계층 (Low-level Safety Layer):
   • DNN 의 제어 성능을 실시간으로 모니터링합니다.
   • 추적 오차가 사전 정의된 임계값 (PPC, Prescribed Performance Control) 을 초과하면, DNN 을 비활성화하고 **강인 적응 제어 (RAC)**로 전환합니다.
   • 전환은 '래치 (Latch)' 논리를 사용하여 한 번 전환되면 복구되지 않도록 설계되어, 시스템이 불안정해지지 않도록 합니다.
3. 고수준 안전 계층 (High-level Safety Layer):
   • RAC 가 활성화된 상태에서도 시스템 성능을 지속적으로 모니터링합니다.
   • 섭동이 RAC 의 보상 능력을 초과하여 시스템이나 환경에 위험이 초래될 경우, 즉각적인 **비상 정지 (Shutdown)**를 수행합니다.

B. 제어 정책 상세

• DNN 정책: 입력 (휠 속도) 과 출력 (PMSM 모터 RPM) 간의 비선형 관계를 학습하여 모델 없는 제어를 수행합니다.
• 안전 보장 강인 적응 제어 (Safe RAC):
  • 모델이 불확실한 상태에서도 시스템의 안정성을 수학적으로 보장합니다.
  • **로그 장벽 함수 (Logarithmic Barrier Function, BLF)**를 사용하여 추적 오차가 안전 영역을 벗어나지 않도록 제약합니다.
  • 적응 법칙 (Adaptive Law) 을 통해 외부 섭동을 보상하지만, 이는 DNN 에 비해 정확도가 다소 떨어지는 대신 강인성을 확보합니다.

C. 안정성 증명

• 제안된 통합 제어 시스템은 **균일 지수 안정성 (Uniform Exponential Stability)**을 가지며, 제어 모드 전환 (Switching) 시점에서도 안정성이 유지됨을 Lyapunov 함수를 통해 수학적으로 증명했습니다.

3. 주요 기여 (Key Contributions)

1. 고정밀성과 강인성의 통합: DNN 의 높은 추적 정밀도와 RAC 의 외부 섭동 보상 능력을 계층적 구조로 결합하여, ISO/IEC TR 5469(인공지능 기능 안전) 표준에 부합하는 안전성을 확보했습니다.
2. 모델 프리 (Model-free) 접근: 중량형 로봇의 복잡한 구동 메커니즘 (유압, 기어, 마찰 등) 에 대한 정확한 물리 모델링 없이도, 센서 데이터만으로 효과적인 제어가 가능함을 입증했습니다.
3. 적응 가능한 안전 계층: 오버슈트 및 정상 상태 오차와 같은 제어 성능 임계값을 두 가지 안전 계층 수준에서 조정 가능하게 하여, 응용 분야별 요구사항에 유연하게 대응할 수 있습니다.
4. 실제 로봇을 통한 검증: 6,000kg 급의 실제 중량형 이동 로봇 (Multi-purpose Deployer) 을 사용하여 실험을 수행했습니다.

4. 실험 결과 (Results)

연구팀은 6,000kg 중량형 로봇을 사용하여 세 가지 실험을 수행했습니다.

• 실험 1 (DNN 단독 제어):
  • 원형 궤적 추적을 수행했습니다.
  • DNN 은 정상 조건에서 매우 높은 정밀도 (오차 < 0.02 m/s) 를 보였으며, 안전 계층 내에서 안정적으로 작동했습니다.
• 실험 2 (RAC 단독 제어):
  • 외부 섭동 (제어 입력 8% 증가) 을 인가했습니다.
  • DNN 보다 오차가 크고 과도 응답이 느리지만, 섭동에도 불구하고 안전 범위 내에서 로봇을 안정적으로 제어했습니다. 이는 강인성과 정확성 간의 트레이드오프를 보여줍니다.
• 실험 3 (통합 제어 - DNN + RAC):
  • S 자형 궤적 추적 중 82 초 시점에 15% 의 외부 섭동을 인가했습니다.
  • 결과: 초기에는 DNN 이 정밀하게 작동하다가 섭동 발생 시 추적 오차가 임계값을 초과하자, 시스템은 자동으로 RAC 로 전환되었습니다.
  • 전환 후 RAC 가 섭동을 보상하여 로봇이 작업을 계속 수행할 수 있었으며, 오차가 안전 범위 내에 머물렀습니다.
  • 섭동이 RAC 의 보상 능력을 초과하는 극단적인 상황에서는 고수준 안전 계층이 작동을 종료하여 안전을 확보했습니다.

5. 의의 및 결론 (Significance)

• 안전한 AI 적용의 길: 이 연구는 블랙박스 특성을 가진 딥러닝 기반 제어를 중량형 산업 로봇에 적용할 때 발생할 수 있는 안전 문제를 해결하는 실용적인 프레임워크를 제시했습니다.
• 실용성: 복잡한 수학적 모델링 없이도 실제 무거운 로봇 (6 톤급) 에서 실시간으로 작동 가능함을 입증하여, 건설 및 광산 등 위험 환경에서의 자율 로봇 상용화에 기여할 수 있습니다.
• 표준 준수: ISO/IEC TR 5469 등의 국제 안전 표준을 준수하는 AI 기반 제어 시스템 설계의 모범 사례를 제공했습니다.

요약하자면, 이 논문은 DNN 의 정밀함과 전통적 강인 제어의 안전성을 계층적 안전 계층을 통해 결합함으로써, 중량형 이동 로봇이 예측 불가능한 환경에서도 안전하고 신뢰성 있게 작동할 수 있는 새로운 제어 패러다임을 제시했습니다.