LeLaR: The First In-Orbit Demonstration of an AI-Based Satellite Attitude Controller

1. 문제 정의 (Problem)

• 전통적 제어의 한계: 기존 위성의 자세 제어 시스템 (ADCS) 은 주로 수동으로 설계된 PID 또는 PD 제어기를 사용합니다. 이러한 방식은 모델링 오차, 운영 조건의 변화, 그리고 비선형 동역학에 민감하며, 새로운 임무에 맞춰 제어기를 설계하는 데 시간이 많이 소요됩니다.
• 시뮬레이션 - 현실 간극 (Sim2Real Gap): 딥 강화 학습 (DRL) 은 시뮬레이션 환경에서 자율적으로 적응형 제어 전략을 학습할 수 있는 잠재력을 가지고 있지만, 시뮬레이션에서 훈련된 에이전트를 실제 물리 시스템 (위성) 에 배포할 때 발생하는 불일치로 인해 실제 궤도에서의 성공적인 적용은 매우 어려웠습니다.
• 기존 연구의 부재: 기존 AI 기반 자세 제어 연구는 시뮬레이션이나 지상 실험실 테스트베드에 국한되어 있었으며, 실제 우주 궤도에서의 성공적인 실증은 없었습니다.

2. 방법론 (Methodology)

연구팀은 독일 바이에른주 뷔르츠부르크 대학교 (Julius-Maximilians-Universität Würzburg) 와 베를린 공과대학교 (TU Berlin) 가 공동 개발한 InnoCube 3U 나노위성을 플랫폼으로 활용했습니다.

• 학습 및 훈련 전략:

  • 전체 시뮬레이션 훈련: AI 에이전트는 지상에서 완전히 시뮬레이션 환경 (Basilisk Astrodyamics Simulation Framework) 에서만 훈련되었습니다.
  • 전이 학습 (Transfer Learning) 및 파인튜닝: 먼저 기본적인 자세 제어 태스크를 해결하는 'Base-Agent'를 훈련한 후, 실제 임무의 제약 조건 (안전 제한, 모멘텀 관리 등) 을 반영하여 'Flight-Agent'로 파인튜닝 (Post-training) 하는 방식을 사용했습니다.
  • 도메인 랜덤화 (Domain Randomization): 시뮬레이션 - 현실 간극을 극복하기 위해 관성 모멘트, 궤도 파라미터, 센서 노이즈, 잔류 자기 쌍극자 모멘트 등의 변수를 무작위로 변화시키며 훈련하여 에이전트의 일반화 능력을 강화했습니다.
  • 보상 함수 (Reward Function): 자세 오차 최소화, 각속도 감소, 안정적 수렴을 장려하고, 반응 휠 (RW) 의 비효율적인 작동 구간 회피 등을 고려하여 설계되었습니다.

• 시스템 아키텍처:

  • 액추에이터: 반응 휠 (RW) 과 자기 토크 (MT) 를 사용했으나, 초기 테스트에서 RW 의 특정 속도 구간 (±350 rpm) 에서 발생하는 측정 오차와 응답 지연 문제를 발견했습니다. 이에 따라 RW 서브네트워크만 독립적으로 작동하도록 조정하여 파인튜닝된 Flight-Agent 를 사용했습니다.
  • 안전 케이지 (Safety Cage): AI 제어 실행 중 위성이 위험 상태 (예: 과도한 회전 속도, 액추에이터 한계 초과) 에 도달하지 않도록 모니터링하는 안전 장치입니다. 임계값을 초과하면 즉시 AI 제어를 중단하고 안전 모드로 전환합니다.
  • 하드웨어: EFR32FG12 마이크로컨트롤러에서 신경망 추론을 수행하며, 1Hz 제어 루프 내에서 약 38ms 의 지연 시간으로 실시간 추론이 가능함을 확인했습니다.

3. 주요 기여 (Key Contributions)

1. 세계 최초 궤도 내 실증: AI 기반 자세 제어기가 훈련된 시뮬레이션 환경과 다른 실제 우주 환경 (InnoCube 위성) 에서 **Zero-shot Transfer(추가 훈련 없이 직접 배포)**로 성공적으로 작동함을 입증했습니다.
2. Sim2Real 간극 극복: 반응 휠의 예기치 않은 응답 지연 (Dead time), 속도 측정 스파이크, 잔류 자기 모멘트 등 훈련 시 모델링되지 않은 실제 위성 특성에 대해 AI 에이전트가 적응하여 안정적인 자세 제어를 수행했습니다.
3. 성능 비교: AI 제어기의 궤도 내 성능을 시뮬레이션 결과 및 위성의 기본 PD 제어기 (Proportional-Derivative Controller) 와 비교하여, AI 가 더 높은 정밀도와 안정성을 보임을 입증했습니다.

4. 실험 결과 (Results)

• 실험 환경: 2025 년 1 월 발사된 InnoCube 위성을 대상으로 2025 년 10 월부터 12 월까지 여러 차례의 궤도 내 실험을 수행했습니다.
• 성능 지표:
  • 정착 시간 (Settling Time): 다양한 초기 자세 조건에서 목표 자세 (오차 < 1°) 에 도달하는 데 성공했습니다.
  • 정상 상태 오차 (Steady-State Error): 반복된 기동 실험에서 모든 축 (Yaw, Pitch, Roll) 에서 1 도 미만의 오차를 유지하며 훈련 목표치를 달성했습니다.
  • PD 제어기 대비 우위: 기존 PD 제어기는 일부 기동에서 1 도 오차 기준을 달성하지 못했거나, 기준을 완화 (1.8°~2.0°) 해야만 성공할 수 있었던 반면, AI 제어기는 엄격한 1 도 기준을 모든 기동에서 만족했습니다.
• 안전성: 모든 실험 동안 안전 케이지 (Safety Cage) 가 발동되지 않았으며, 위성은 안전한 상태로 운영되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 우주 자율성의 새로운 패러다임: 이 연구는 고충실도 모델링이 어렵거나 발사 후 정밀 튜닝이 불가능한 심우주 탐사선 등 미래 우주 임무에서 AI 기반 제어의 실용성을 입증했습니다.
• 기술적 타당성: 시뮬레이션에서 훈련된 DRL 에이전트가 실제 우주 환경의 불확실성과 비선형성을 극복하고 자율적으로 위성을 제어할 수 있음을 보여줌으로써, 우주 공학 분야에서 AI 적용의 새로운 기준을 제시했습니다.
• 향후 전망: 이 방법은 3U 큐브위성에 국한되지 않으며, 센서 구성만 변경하면 다른 위성에도 적용 가능합니다. 향후 연구에서는 자기 토크를 활용한 모멘텀 관리 (Momentum Management) 와 더 긴 실험 시간 확보를 통해 제어기의 범용성을 더욱 확장할 계획입니다.

요약하자면, LeLaR 프로젝트는 AI 가 단순히 시뮬레이션이 아닌 실제 우주 공간에서 위성을 제어할 수 있음을 증명한 획기적인 성과로, 우주 임무의 자율성과 적응성을 크게 향상시킬 수 있는 가능성을 열었습니다.