Distributed Safety Critical Control among Uncontrollable Agents using Reconstructed Control Barrier Functions

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

이 논문은 여러 대의 로봇이나 드론이 함께 일할 때, 통제할 수 없는 '문제아'들이 섞여 있어도 안전하게 움직이게 하는 새로운 방법을 소개합니다.

기존의 방법들은 로봇들이 서로 완벽하게 소통하고 모두 내 뜻대로 움직일 수 있을 때만 안전을 보장했지만, 이 논문은 예측 불가능한 보행자나 다른 사람의 자동차처럼 우리가 통제할 수 없는 존재들이 주변에 있어도 안전을 지키는 기술을 개발했습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 상황 설정: 혼잡한 교차로의 자율주행차들

상상해 보세요. 자율주행차 3 대가 함께 길을 가고 있습니다. 하지만 옆에는 우리가 통제할 수 없는 보행자나 사람이 운전하는 차가 있습니다.

목표: 서로 부딪히지 않으면서 목적지로 가야 합니다.
문제: 안전을 지키려면 모든 차가 서로의 위치를 정확히 알아야 합니다. 하지만 통제할 수 없는 보행자는 "내가 지금 어디로 갈지" 알려주지 않습니다. 게다가 모든 차가 서로의 상태를 실시간으로 공유하는 것은 기술적으로 어렵거나 불가능할 수 있습니다.

2. 기존 방법의 한계: "모두가 약속을 지켜야 해!"

기존의 안전 기술 (CBF, 제어 장벽 함수) 은 **"모든 차가 안전 거리를 지키는 약속을 지킨다면 우리는 안전하다"**라고 가정합니다.

하지만 통제할 수 없는 보행자가 갑자기 튀어나오면? 그 보행자는 약속을 지킬 수 없습니다.
이 경우 기존 기술은 "아, 보행자가 약속을 안 지켰으니 안전 장치가 작동하지 않아!"라고 멈추거나, 모든 차가 보행자의 행동을 예측해서 완벽하게 맞춰야 하므로 계산이 너무 복잡해집니다.

3. 이 논문의 해결책: "가상 친구"와 "안전 마법사"

이 논문은 두 가지 혁신적인 아이디어를 제안합니다.

① '가상 친구' (분산 적응 관측기)

각 로봇은 통제할 수 없는 보행자의 정확한 위치를 알 수 없지만, **주변의 다른 로봇들이 알려주는 정보를 바탕으로 보행자의 위치를 '추측' (예측)**합니다.

비유: 마치 어두운 방에서 누군가 지나갈 때, 그 사람의 발소리를 듣고 "아, 저 사람이 저쪽으로 가고 있구나"라고 상상하는 것과 같습니다. 로봇들은 서로 정보를 공유하며 이 '가상 친구'의 위치를 계속 업데이트합니다.

② '안전 마법사' (재구성된 제어 장벽 함수)

이게 이 논문의 핵심입니다. 로봇들은 이 '추측한 위치'를 바탕으로 안전 거리를 계산합니다. 하지만 추측이 틀릴 수도 있으니, **안전 거리를 아주 조금 더 넓게 잡는 '안전 마진' (적응 매개변수)**을 추가합니다.

비유: 친구와 사이를 유지할 때, 친구가 갑자기 멈출 수도 있으니 평소보다 1 미터 더 떨어져서 걷는다고 상상해 보세요.
이 논문은 **"추측한 위치로 계산한 안전 거리를 지킨다면, 실제 상황에서도 절대 안전하다"**라고 수학적으로 증명했습니다. 즉, 통제할 수 없는 보행자가 어떻게 움직이든, 우리 로봇들이 이 '안전 마진'을 지키기만 하면 부딪히지 않는다는 것입니다.

4. 어떻게 작동할까요? (시뮬레이션 결과)

논문의 실험에서는 4 대의 로봇이 움직였습니다.

로봇 1, 2, 3 은 우리가 조종할 수 있습니다.
로봇 4 는 우리가 조종할 수 없는 '문제아'입니다.
로봇 1, 2 는 서로 협력하고, 로봇 3 은 로봇 4 를 따라가야 합니다.

결과:

로봇 4 가 어떻게 움직이든, 다른 로봇들은 '가상 친구'를 통해 로봇 4 의 위치를 예측했습니다.
그리고 '안전 마법사' 기술 덕분에, 로봇 4 가 예상치 못한 방향으로 움직여도 다른 로봇들은 즉시 경로를 수정하여 절대 부딪히지 않았습니다.
마치 유령처럼 보이지 않는 보행자를 의식하며, 하지만 실제로는 보이지 않아도 안전 거리를 지키는 마법 같은 상황입니다.

5. 결론: 왜 이것이 중요할까요?

이 기술은 실제 세상에 적용하기 매우 중요합니다.

자율주행차: 우리가 통제할 수 없는 일반 차량이나 보행자가 섞여 있는 도로에서 안전을 보장합니다.
재난 구조: 구조 로봇들이 통제할 수 없는 잔해나 움직이는 물체 사이를 안전하게 통과하게 합니다.
공장: 인간 작업자와 로봇이 함께 일할 때, 인간이 갑자기 움직여도 로봇이 안전하게 멈추거나 피할 수 있습니다.

한 줄 요약:

"우리가 통제할 수 없는 존재들이 주변에 있어도, 서로 정보를 공유하며 그들을 '추측'하고, 그 추측보다 조금 더 여유 있게 안전 거리를 두는 **'지능형 안전 시스템'**을 만들어, 어떤 상황에서도 로봇들이 안전하게 일하게 합니다."

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

1. 연구 배경 및 문제 정의 (Problem Statement)

배경: 다중 에이전트 시스템 (MAS) 이 로봇 공학, 자율 주행 등 다양한 분야에서 협업 작업을 수행함에 따라 시스템 안전성 확보가 핵심 과제로 대두되었습니다. 제어 장벽 함수 (Control Barrier Function, CBF) 는 시스템이 안전 집합 내에 머무르도록 보장하는 강력한 도구로, 주로 2 차 계획법 (QP) 기반의 제어기에 적용됩니다.
주요 문제점:
1. 결합된 제약 조건 (Coupled Constraints): 협업 작업 시 CBF 제약 조건은 여러 에이전트의 상태에 의존하게 되어 '결합'됩니다. 이로 인해 개별 에이전트가 자신의 국소 정보만으로 안전 제어 입력을 계산하는 완전 분산 제어 (Fully Distributed Control) 설계가 어렵습니다.
2. 제어 불가능한 에이전트 (Uncontrollable Agents): 환경 내에 보행자나 인간 운전 차량과 같이 제어 입력을 설계할 수 없는 에이전트가 존재할 경우, 기존 분산 제어 기법 (예: 제약 조건 분해법) 이 적용 불가능해집니다. 왜냐하면 분해된 로컬 제약 조건을 만족하려면 모든 관련 에이전트 (제어 불가능한 에이전트 포함) 가 제약을 준수해야 하기 때문입니다.

2. 제안된 방법론 (Methodology)

이 논문은 결합된 CBF 제약 조건과 제어 불가능한 에이전트의 불확실성을 해결하기 위해 재구성된 제어 장벽 함수 (Reconstructed CBF) 접근법을 제안합니다.

A. 분산 적응 관측기 (Distributed Adaptive Observer)

각 제어 가능한 에이전트는 이웃 에이전트 및 제어 불가능한 에이전트의 상태를 추정하기 위해 분산 적응 관측기를 설계합니다.
이를 통해 개별 에이전트는 전역 상태 정보 대신 추정된 상태 정보를 기반으로 로컬 계산을 수행할 수 있게 됩니다.

B. 재구성된 CBF 및 성능 지시 적응 매개변수

CBF 재구성: 관측기를 통해 얻은 상태 추정치를 사용하여 원래의 결합된 전역 CBF ( $h(x)$ ) 를 각 에이전트별로 로컬 CBF ( $\hat{h}_i$ ) 로 재구성합니다.
성능 지시 (Prescribed Performance) 적응 매개변수: 재구성된 CBF 가 원래의 결합된 CBF 를 충분히 만족하도록 보장하기 위해, 오차 ( $e_i = h(x) - \hat{h}_i$ ) 가 사전에 정의된 성능 경계 ( $\rho_i(t)$ ) 내에서 수렴하도록 하는 적응 매개변수 ( $\vartheta_i$ ) 를 설계합니다.
핵심 논리: 재구성된 CBF 제약 조건 ( $\hat{h}_i \geq 0$ ) 을 만족하면, 설계된 적응 메커니즘에 의해 원래의 결합된 CBF 제약 조건 ( $h(x) \geq 0$ ) 도 자동으로 만족됨이 수학적으로 증명됩니다.

C. 분산 안전 제어기 설계

재구성된 CBF 를 기반으로 각 제어 가능한 에이전트에 대해 안전 중요 2 차 계획법 (Safety-critical QP) 제어기를 설계합니다.
이 제어기는 명목 제어 입력 ( $u_{nom}$ ) 을 안전 제약 조건 내에서 수정하여, 제어 불가능한 에이전트의 불확실한 동작을 제어 가능한 에이전트들이 보상하도록 합니다.

3. 주요 기여 (Key Contributions)

결합된 CBF 의 분산화: 분산 적응 관측기와 재구성된 CBF 기법을 결합하여, 전역 상태 정보에 의존하던 결합된 CBF 를 국소 정보만으로 해결 가능한 로컬 제약 조건으로 변환했습니다.
제어 불가능한 에이전트 대응: 기존 연구들이 모든 관련 에이전트가 제어 가능해야 한다는 전제를 깨뜨렸습니다. 제안된 방법은 제어 가능한 에이전트들이 제어 불가능한 에이전트의 불확실한 행동을 보상하도록 하여, 부분 집합의 에이전트만 제약 조건을 만족하면 전체 시스템 안전이 보장되도록 했습니다.
엄격한 안전성 보장: 재구성된 CBF 제약 조건을 만족하는 것이 원래의 안전 집합을 양방향 불변 (Forward Invariant) 으로 만든다는 것을 엄격하게 증명했습니다.

4. 시뮬레이션 결과 (Results)

시나리오: 4 대의 로봇으로 구성된 MAS 시뮬레이션 (로봇 1, 2, 3 은 제어 가능, 로봇 4 는 제어 불가능).
- 로봇 1, 2 는 목표 지점으로 이동하며 상호 간격 유지.
- 로봇 3 은 제어 불가능한 로봇 4 를 추종하며 간격 유지.
- 장애물 회피 및 로봇 간 충돌 회피 제약 조건 포함.
결과:
- 궤적 (Fig. 2): 모든 로봇이 장애물과 서로를 피하면서 목표 지점에 성공적으로 도달했습니다.
- 재구성 CBF 및 오차 (Fig. 3): 재구성된 CBF ( $\hat{h}_i$ ) 가 항상 0 이상을 유지했으며, 재구성 오차 ( $e_i$ ) 가 설계된 성능 경계 (점선) 내에 수렴함을 확인했습니다. 이는 원래의 안전 제약 조건이 위반되지 않았음을 의미합니다.
- 제어 입력 (Fig. 4): 제어 입력이 물리적 한계 내에서 안정적으로 생성되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 불확실한 동적 환경과 제어 불가능한 에이전트가 공존하는 복잡한 다중 에이전트 시스템에서도 완전 분산형 안전 제어가 가능함을 입증했습니다.

기존 방법과의 차별점: 기존 분산 CBF 기법들은 결합된 제약 조건을 단순 분해하거나 모든 에이전트의 제어를 가정했으나, 본 논문은 관측 기반 추정과 적응적 재구성을 통해 이러한 제약을 극복했습니다.
실용성: 자율 주행 차량이 보행자 (제어 불가능) 와 상호작용하거나, 드론 군집이 예측 불가능한 환경에서 협업할 때 적용 가능한 강력한 프레임워크를 제공합니다.
결론: 제안된 재구성 CBF 기반 분산 제어 기법은 이론적으로 안전성을 엄격하게 보장하며, 시뮬레이션을 통해 그 유효성이 입증되었습니다.