기술 요약: 차량용 가소성을 위한 화이트박스 신경 앙상블 (White-Box Neural Ensemble for Vehicular Plasticity)

문제 정의

자율주행 차량 제어 시스템은 가소성(변화하는 마찰력이나 차량 질량과 같은 다양한 운행 영역에 재학습 없이 적응하는 능력)과 검증 가능성(ISO 26262와 같은 안전 인증을 위해 투명하고 분석 가능한 모델이 필요함) 사이의 근본적인 긴장 상태에 직면해 있다.

현재의 최첨단 솔루션들은 흔나 다음과 같은 방식에 의존한다:

1. 컴파일된 불투명 모델: acados나 L4CasADi와 같은 도구들은 효율적인 코드를 생성하지만, 검증의 초점을 코드 생성의 기원(provenance)으로 옮겨버리며, 런타임 시의 심볼릭 내성(symbolic introspection)은 결여되어 있다.
2. 모놀리식 학습 모델: 유니버설 파운데이션 모델(Universal Foundation Models)이나 온라인 미세 조정(fine-tuning) 방식은 안정성-가소성 딜레마(stability–plasticity dilemma)를 겪으며, 폐루프 불안정성이나 치명적 망각(catastrophic forgetting)의 위험을 안고 있다.
3. 암시적 적응: Neural-Fly와 같은 방법은 함수 근사기를 통해 동작을 조정하지만, 명시적인 구조적 투명성이 부족한 경우가 많다.

본 논문은 비선형 모델 예측 제어(NMPC) 프레임워크 내에서 완전히 추적 가능한 심볼릭 표현을 유지할 때 발생하는 구체적인 효율성 비용을 이해하는 데 공백이 존재함을 지적한다. 본 연구는 엄격한 화이트박스 감사 가능성(white-box auditability)이 상당한 계산 오버헤드를 대가로 달성될 수 있는지 조사한다.

방법론

아키텍처: 모듈형 주권 (Modular Sovereignty)

저자들은 "모듈형 주권" 패러다임(HYDRA에서 영감을 얻음)에 기반한 화이트박스 적응형 NMPC를 제안한다. 단일 모놀리식 모델을 학습하거나 온라인으로 물리적 파라미터를 추정하는 대신, 이 시스템은 차량 역학을 **동결된 레짐별 신경 전문가들의 볼록 조합(convex combination)**으로 구성한다.

• 역학 정식화: 전역 유효 역학은 $\dot{\hat{x}}(t) = \sum_{i=1}^{N} w_i \cdot \Psi_i(x(t), u(t))$로 정의된다. 여기서 $\Psi_i$는 동결된 신경망(전문가)이며, $w$는 심플렉스($\sum w_i = 1, w_i \ge 0$) 제약 조건을 갖는 거버넌스 벡터이다.
• 기하학적 제약: 이 정식화는 시스템 역학을 전문가들의 볼록 껍질(convex hull) 내로 한정함으로써, 학습된 모델 범위를 벗어난 외삽(extrapolation)을 방지하고, 보이지 않는 차량 구성(플릿 이질성)에 대한 보간(interpolation)을 가능하게 한다.

적응 메커니즘: 거버너 (The Governor)

거버너(Governor) 모듈은 레짐 변화(예: 마찰력 변화, 질량 변화)에 적응하기 위해 혼합 가중치($w$)를 실시간으로 추정한다.

• 회귀: 거버너는 측정된 상태 미분값(유한 차분법으로 근사됨)과 앙상블 출력 사이의 오차를 최소화한다.
• 스무딩: 가중치는 고주파 진동을 억제하기 위해 지수 이동 평균(EMA)을 사용하여 부드럽게 처리된다.
• 제로샷 배포: 전문가 라이브러리는 하이브리드 합성 데이터셋(균등 샘플링 + "chirp" 궤적) 상에서 탐욕적 최악 사례 선택 전략(greedy worst-case selection strategy)을 통해 구축되어, 한계 대응 동작에 대한 커버리지를 보장한다.

구현: 심볼릭 감사 가능성 (Symbolic Auditability)

최대 수준의 투명성을 달성하기 위해, 앙상블은 CasADi SX를 사용한 완전 심볼릭 표현으로 구현된다.

• 컴파일된 접근 방식과 달리, 솔버는 매 반복마다 신경 네트워크의 명시적인 심볼릭 계산 그래프를 순회한다.
• 이를 통해 미분 그래프(구조적 투명성)를 직접 검사할 수 있으나, 신경망의 가중치 자체는 여전히 의미론적으로 불투명하다.
• 학습: 8개의 물리 정보 신경망(PINNs)이 데이터 손실과 운동학적 일관성 제약을 모두 최소화하도록 하이브리드 프로토콜(Adam 후 L-BFGS)을 사용하여 학습되었으며, 약 $4 \times 10^{-6}$의 RMSE를 달성하였다.

주요 기여

1. 심볼릭 NMPC 통합: 엄격한 감사 가능성 조건 하에서 차량용 가소성을 위해 설계된 화이트박스 NMPC 프레임워크 내에 희소한(sparse) 동결 신경 전문가 앙상블을 제시하였다.
2. 투명성 비용의 정량화: 완전한 비선형 심볼릭 보유를 유지함으로써 발생하는 계산 오버헤드를 엄격하게 규명하였다. 본 연구는 엄격한 화이트박스 구현의 "효율성 가격"을 분리하여 보여준다.
3. 기능적 검증: 이 아키텍처가 (동기식 시뮬레이션을 통해 검증된 바와 같이) 마찰, 질량, 항력의 급격한 변화를 처리할 수 있음을 입증함으로써 가소성 문제를 성공적으로 해결했음을 보여준다.

결과

계산 벤치마크 (Phase I)

연구는 속도와 감사 가능성 사이의 상당한 트레이드오프를 정량화한다:

• 솔버 지연 시간: 심볼릭 신경 앙상블은 최적화된 파라미터 물리 모델에 비해 72배에서 102배의 속도 저하를 유발한다.
  • F1TENTH (1:10 스케일): 535 ms 솔브 타임 (물리 모델의 7.38 ms 대비).
  • ORCA (1:43 스케일): 545 ms 솔브 타임 (물리 모델의 5.35 ms 대비).
• 병목 현상: 이 속도 저하는 구조적이다. 약 96%의 시간이 NLP 평가(Jacobian 생성을 위해 심볼릭 그래프를 순회하는 과정)에 소비되며, 선형 솔버가 차지하는 시간은 무시할 만한 수준이다.
• 적응 지연 시간: 솔버 오버헤드에도 불구하고, 적응 메커니즘 자체는 매우 빠르다(~7.3 ms). 이는 JIT(Just-In-Time) 재컴파일 방식(~752 ms)보다 훨씬 빠르다.

기능적 가소성 검증 (Phase II)

복합적인 레짐 변화가 발생하는 자율주행 레이싱 트랙에서 평가되었다:

• Tier 1 (이상적인 ODE): 적응형 제어기는 거의 최상위 성능에 도달하며, 마찰 변화 시 위치 저하를 +12.9% 이내로 억제하고 비적응형 베이스라인 대비 97.5%의 완화 효과를 달성했다.
• Tier 2 (노이즈가 있는 ODE): 시스템은 센서 노이즈 하에서도 안정성을 유지하며, 알레아토릭 불확실성(aleatoric uncertainty)이 거버너를 불안정하게 만들지 않음을 확인했다.
• Tier 3 (Neural PINNs):
  • Naive Training (Tier 3a): 위험한 미터 단위의 위치 드리프트가 발생한다.
  • Hybrid Training (Tier 3b): 정교화된 학습 프로토콜을 적용하면 이상적인 ODE 천장에 근접한다. 위치 오차는 < 0.1 m를 유지하며, 이는 네이티브 베이스라인 대비 35배 감소된 추적 오차를 나타낸다.
• 복합 변화: 시스템은 마찰, 질량, 항력이 동시에 변하는 상황을 성공적으로 처리하며, 비적응형 베이스라인에서는 나타나지 않는 견고함을 입증했다.

의의 및 주장

본 논문은 구조적 투명성과 실행 속도 사이의 트레이드오프에 대한 **개념 증명(proof-of-concept)**이자 **기준점(baseline)**으로서 자리매김한다.

• "영(0)을 계산하기 위한 비용": 저자들은 72~102배의 속도 저하가 전체 런타임 내성(introspection)을 유지하기 위한 고정된 구조적 세금이라고 주장한다. 자동 미분(AD) 엔진은 희소한 기여도를 검증하기 위해 조밀한 경로를 순회하는 데 대부분의 시간을 소비한다.
• 안전 vs 속도: 본 연구는 엄격한 동기적 검증 가능성이 현재로서는 실시간 하드웨어 배포를 제한하지만, 이 아키텍처가 기능적으로 차량의 가소성 문제를 해결한다는 점을 강조한다. 계산 비용은 "안전 마진"을 구매하는 것이다. 즉, 모델 라이브러리의 검증된 볼록 껍질을 벗어나지 않으면서 에피스테믹 불확실성(epistemic uncertainty)과 복합 레짐 변화를 처리할 수 있는 능력을 제공한다.
• 향후 로드맵: 저자들은 현재의 구현이 즉시 배포 가능한 수준이라고 주장하지 않는다. 대신, 낮은 Jacobian 밀도(~3.6%)가 그래프를 압축할 수 있는 **민감도 기반 프루닝(sensitivity-based pruning)**의 가능성을 시사한다고 언급한다. 또한, 비동기 아키텍처를 통해 적응 지연 시간과 솔버 지연 시간을 분리함으로써, 엄격한 동기적 감사 가능성을 일부 희생하더라도 가소성과 속도를 양립시킬 수 있을 것이라고 제안한다.
• 결론: 본 연구는 화이트박스 적응형 제어기가 이론적으로 가능하며 기능적으로 효과적임을 입증한다. 이는 계산 효율성의 벽을 해결할 수 있다면, 안정성-가소성 딜레마를 해결하기 위한 투명한 경로를 제공한다.