Whole-Body Safe Control of Robotic Systems with Koopman Neural Dynamics

Each language version is independently generated for its own context, not a direct translation.

이 논문은 **"복잡하고 비선형적인 로봇을 어떻게 하면 안전하면서도 똑똑하게 움직이게 할 수 있을까?"**라는 질문에 대한 해답을 제시합니다.

기존의 로봇 제어 방식은 마치 **"매우 정교하지만 무거운 수레"**를 끌고 가는 것과 비슷했습니다. 로봇의 관절이 꼬이고, 중력이 작용하고, 장애물이 움직이는 상황을 실시간으로 계산하려면 컴퓨터가 너무 많은 일을 해야 해서, 안전을 지키느라 로봇이 느려지거나 아예 멈추는 경우가 많았습니다.

이 논문은 이 문제를 해결하기 위해 **"로봇의 움직임을 '선형적'인 언어로 번역하는 마법"**을 사용했습니다. 핵심 내용을 일상적인 비유로 설명해 드리겠습니다.

1. 핵심 아이디어: "로봇의 움직임을 '직선'으로 번역하기"

로봇의 실제 움직임은 매우 복잡합니다. 손가락을 움직이면 팔 전체가 흔들리고, 무릎을 구부리면 몸통이 움직이는 식입니다. 이를 수학적으로 표현하면 **'비선형 (Nonlinear)'**이라고 하는데, 이는 "원인과 결과가 비례하지 않고 복잡하게 얽혀 있다"는 뜻입니다.

기존 방식: 복잡한 미로 속에서 로봇이 앞으로 나아가려면, 매번 미로의 전체 지도를 다시 그려야 했습니다. (계산이 너무 느림)
이 논문의 방식 (쿠퍼만 연산자): 로봇의 복잡한 움직임을 **"선형 (Straight line)"**인 언어로 번역하는 **'변환기 (Koopman Operator)'**를 학습시켰습니다.
- 비유: 로봇이 실제로는 구불구불한 산길을 걷지만, 우리가 보는 지도 (학습된 공간) 에서는 마치 평평한 직선 도로를 달리는 것처럼 보입니다.
- 이렇게 되면 로봇이 "앞으로 가자"고 명령할 때, 복잡한 산길 계산을 할 필요 없이 직선 도로의 규칙만 적용하면 되므로 계산 속도가 엄청나게 빨라집니다.

2. 안전 장치: "안전한 길만 골라주는 AI 코치"

로봇이 빠르게 움직일 때 가장 큰 문제는 **"안전"**입니다. 계산이 빨라졌다고 해서 무작정 달리면 장애물에 부딪힐 수 있습니다.

기존 방식: 로봇이 달리는 동안, 별도의 '안전 감시관'이 뒤따라다니며 "아, 저기 벽이 있네! 멈춰!"라고 외치는 방식이었습니다. (이때 로봇은 멈추고 다시 시작해야 해서 효율이 떨어집니다.)
이 논문의 방식: 안전 규칙을 달리기 계획 자체에 녹여냈습니다.
- 비유: 로봇이 길을 찾을 때, "벽에 부딪히지 않는 길"을 처음부터 계획서에 포함시킵니다. 마치 스키 점프 선수가 착지 지점을 미리 계산하고 궤적을 그리는 것처럼, 안전을 고려하지 않은 경로는 아예 선택하지 않습니다.
- 이를 위해 **'안전 지수 (Safety Index)'**라는 것을 학습시켰는데, 이 지수는 로봇이 위험에 가까워질수록 자동으로 "조금 더 멀리서 돌아서 가자"고 명령합니다.

3. 실수 교정: "실전 훈련을 통한 '악의적인' 테스트"

컴퓨터 시뮬레이션에서 완벽하게 작동해도, 실제 로봇 (하드웨어) 에서는 마찰력이나 모터의 오차 때문에 엉망이 될 수 있습니다.

문제: 시뮬레이션에서는 "안전하다"고 했는데, 실제 로봇은 "아, 내가 생각보다 더 많이 흔들리네?"라고 할 수 있습니다.
해결책 (적대적 미세 조정): 연구팀은 **"악의적인 코치 (Critic)"**를 만들었습니다.
- 이 코치는 로봇이 **"가장 위험한 상황"**을 찾아내서 "이제 너는 벽에 부딪힐 거야!"라고 상황을 만들어냅니다.
- 로봇은 이 위험한 상황을 피하기 위해 안전 지수 (안전 규칙) 를 다시 조정합니다.
- 비유: 마치 스파르타식 훈련처럼, 가장 힘든 상황 (벽에 거의 닿을 듯한 상황) 을 반복해서 연습하게 하여, 실제 경기 (실제 환경) 에서는 어떤 상황에서도 넘어지지 않도록 만드는 것입니다.

4. 실제 성과: "실제 로봇에서도 작동했다!"

이론만 좋으면 소용없습니다. 연구팀은 Kinova Gen3라는 실제 로봇 팔과 Unitree Go2라는 4 발 로봇 개를 이용해 실험했습니다.

결과: 로봇은 장애물을 피하면서도 목표 지점으로 정확히 이동했습니다.
특이점: 시뮬레이션에서 학습한 모델을 실제 로봇에 바로 적용했을 때, 아주 적은 추가 학습만으로도 실제 환경에서도 완벽하게 작동했습니다. 이는 마치 비행 시뮬레이터를 잘 다룬 조종사가 실제 비행기에도 바로 탑승할 수 있는 것과 같습니다.

요약: 이 논문이 왜 중요한가?

이 연구는 **"복잡한 로봇을 단순하게 만들고, 안전을 계산의 일부로 포함시킴으로써, 로봇이 빠르고 안전하게 일할 수 있게 했다"**는 점에 의의가 있습니다.

기존: "계산이 너무 느려서 안전을 위해 로봇을 천천히 움직여야 했다."
이제: "복잡한 계산을 '직선'으로 번역하고, 안전을 계획에 포함시켜 빠르고 똑똑하게 움직인다."

이 기술은 앞으로 자율 주행 자동차, 재난 구조 로봇, 공장 자동화 등 안전이 최우선인 모든 분야에서 로봇이 더 자유롭게 일할 수 있는 길을 열어줄 것입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

로봇 시스템의 안전 제어는 복잡한 비선형 동역학, 고차원성, 그리고 안전 제약 조건 간의 상호작용으로 인해 근본적으로 어렵습니다. 기존 접근법의 주요 한계는 다음과 같습니다:

비선형 최적화의 계산적 비효율성: 강체 로봇의 관절 결합, 접촉 상호작용, 비선형 구동 등을 직접 포함하는 비선형 모델 기반 최적화 (NMPC 등) 는 실시간으로 풀기 어렵거나 비볼록 (nonconvex) 문제로 인해 해를 구할 수 없는 경우가 많습니다.
안전성 필터링의 분리 및 비효율: 기존에는 안전 제어 (Safety Filter) 를 기본 제어기 (Nominal Controller) 와 분리하여 적용하는 경우가 많습니다. 이는 성능과 안전 간의 트레이드오프를 유발하거나, 안전 집합 (Safe Set) 의 경계에서 제어 입력이 불가능 (infeasibility) 해져 시스템이 멈추는 (deadlock) 문제를 일으킵니다.
학습된 모델의 오차 전파: 데이터 기반 학습 모델을 사용할 경우, 모델의 근사 오차가 안전 제약 조건으로 전파되어 실제 안전 보장을 무효화할 수 있습니다.

2. 제안 방법론 (Methodology)

이 논문은 Koopman 연산자 이론과 **안전 집합 알고리즘 (Safe Set Algorithm, SSA)**을 결합하여, 비선형 로봇 동역학을 전역적으로 선형화하고 안전 제약을 단일 최적화 문제 (QP) 에 통합하는 데이터 기반 프레임워크를 제안합니다.

가. Koopman 선형화를 통한 동역학 모델링

Koopman 임베딩: 비선형 시스템 상태 $x$ 를 고차원 (lifted) 공간의 선형 상태 $z = \psi(x)$ 로 매핑합니다.
선형 동역학: 매핑된 공간에서 시스템은 $z_{k+1} = Az_k + Bu_k$ 형태의 선형 방정식으로 근사됩니다.
신경망 활용: 상태 임베딩 함수 $\psi_\omega$ 를 신경망으로 학습하고, Koopman 행렬 $A, B$ 를 함께 엔드 - 투 - 엔드 (end-to-end) 방식으로 학습합니다. 이를 통해 저수준 토크 동역학을 속도 제어 수준에서 선형적으로 다룰 수 있게 됩니다.

나. 안전 제약의 통합 및 재설계 (Unified MPC Formulation)

단일 QP 최적화: 기존 방식처럼 안전 필터를 별개로 적용하는 대신, 추적 목표와 안전 제약을 **단일 2 차 계획법 (Quadratic Program, QP)**에 통합합니다.
선형 안전 제약: Koopman 선형 모델을 사용하여 안전 함수 $\phi$ 의 시간 미분 $\dot{\phi}$ 를 선형 제약 조건으로 변환하여 MPC 에 직접 삽입합니다.

다. 적대적 미세 조정 (Adversarial Fine Tuning) 을 통한 안전 지수 최적화

문제: 학습된 Koopman 모델의 오차와 입력 제한으로 인해 안전 집합 경계에서 QP 해가 존재하지 않을 (infeasible) 수 있습니다.
해결책 (Learner-Critic 아키텍처):
- Critic: 제약 조건을 위반하는 '반례 (counterexample)' 상태와 제어 입력을 수집합니다.
- Learner: 안전 지수 (Safety Index) 의 파라미터 ( $\Gamma = \{n, \beta\}$ ) 를 조정하여 이러한 반례에서 해가 존재하도록 안전 집합을 재정의합니다.
- 최적화: $\min_\Gamma \max_{x} \text{infeasibility risk}$ 형태의 미니맥스 (min-max) 문제를 풀어, 학습된 동역학에 맞춰 안전 지수를 적응시킵니다.

라. 시뮬레이션 - 현실 (Sim-to-Real) 적응

전체 신경망 임베딩을 다시 학습하지 않고, 학습된 선형 Koopman 행렬 ( $A, B$ ) 만 하드웨어 데이터로 미세 조정 (Fine-tuning) 합니다. 이는 임베딩 구조는 유지하면서 하드웨어의 구동 오차나 마찰 등을 효율적으로 보정합니다.

3. 주요 기여 (Key Contributions)

Koopman 선형화를 통한 안전 제어 통합: 필터링 기반의 2 단계 아키텍처가 아닌, 안전 제약을 기본 제어기에 직접 통합하여 성능과 안전의 일관된 추론을 가능하게 했습니다.
학습된 동역학을 위한 안전 지수 합성: 학습 모델의 오차로 인한 비실현 가능성 (infeasibility) 을 줄이기 위해 적대적 미세 조정 기법을 도입하여, 안전 집합 내의 전방향 불변성 (forward invariance) 을 보장합니다.
실제 하드웨어 적용: Kinova Gen3 매니퓰레이터와 Unitree Go2 4 족 보행 로봇에 대한 시뮬레이션 및 실제 실험을 통해, 최소한의 재학습으로 효과적인 안전 제어와 장애물 회피가 가능함을 입증했습니다.

4. 실험 결과 (Results)

예측 정확도: Koopman 기반 모델 (KDM) 은 기존 선형 시불변 (LTI), 선형 시변 (LTV), 그리고 신경망 동역학 모델 (NNDM) 대비 장기 예측 오차가 가장 낮았습니다.
안전성 및 추적 성능:
- Kinova Gen3 실험: 단일 및 다중 장애물 환경에서 KDM-MPC 는 NMPC 대비 4.2 배 이상 빠른 계산 속도를 보였으며, NMPC 가 충돌하는 경우에도 안전하게 장애물을 회피하고 경로를 추적했습니다.
- QP 비실현성 감소: 적대적 미세 조정 전후 비교에서 단일 장애물 환경의 QP 비실현 횟수가 108 회에서 42 회로, 다중 장애물 환경에서는 632 회에서 113 회로 크게 감소했습니다.
Sim-to-Real 성능: 미세 조정 후 실제 로봇에서 관절 각도 오차 평균이 0.140 rad 로 감소했으며, 엔드 이펙터 위치 오차도 0.031 m 로 개선되어 실제 환경에서의 신뢰성을 입증했습니다.

5. 의의 및 결론 (Significance)

이 연구는 비선형 로봇 시스템의 안전 제어에 있어 다음과 같은 중요한 의의를 가집니다:

계산 효율성과 안전성의 동시 달성: 복잡한 비선형 동역학을 선형 공간으로 변환하여 효율적인 선형 제어 (MPC) 를 적용하면서도, 학습된 모델의 오차를 보상하는 메커니즘을 통해 엄격한 안전 보장을 가능하게 했습니다.
실시간 적용 가능성: 단일 QP 를 통해 실시간으로 해를 구할 수 있어, 고차원 로봇 (매니퓰레이터, 보행 로봇) 에 대한 실시간 안전 제어의 실용성을 높였습니다.
확장성: 학습된 임베딩 구조를 유지하면서 선형 행렬만 미세 조정하는 방식은 다양한 하드웨어로의 빠른 이식 (deployment) 을 가능하게 합니다.

결론적으로, 이 프레임워크는 모델 기반 제어와 데이터 기반 학습의 장점을 결합하여, 안전이 중요한 로봇 응용 분야에서 기존 방법론의 한계를 극복하는 확장 가능하고 해석 가능한 대안을 제시합니다.