⚡ electrical engineering

MeanFlow Meets Control: Scaling Sampled-Data Control for Swarms

이 논문은 MeanFlow 에서 영감을 받아, 샘플링된 데이터 제어 환경에서 대규모 군집을 적은 제어 단계로 조종하기 위해 각 샘플링 구간에서의 유한 시간 최소 에너지 제어 계수를 학습하는 확장 가능한 프레임워크를 제안합니다.

원저자: Anqi Dong, Yongxin Chen, Karl H. Johansson, Johan Karlsson

게시일 2026-03-23

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Anqi Dong, Yongxin Chen, Karl H. Johansson, Johan Karlsson

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 문제: "지금 당장만 보면 안 돼, 앞으로 10 분을 봐야 해!"

기존의 방식 (기존 Flow Matching):
마치 매초마다 핸들을 살짝씩 꺾는 운전사처럼 생각해보세요.

"지금 오른쪽으로 1 도만 틀어."
"다음 초에는 왼쪽으로 1 도만 틀어."
이 방식은 운전사가 아주 빠르게 반응할 때는 좋지만, 만약 운전사가 매 10 초마다 한 번만 핸들을 조작할 수 있다면 (실제 로봇이나 드론의 제어 방식) 큰 문제가 생깁니다. "지금 오른쪽으로 1 도"라고 했을 때, 그 10 초 동안 차는 계속 그 방향으로 쭉 나갑니다. 매초마다 계산하는 방식으로는 10 초 동안의 궤적을 정확히 예측하기 어렵고, 차는 엉뚱한 곳으로 갈 수 있습니다.

이 논문이 지적한 점:
실제 로봇이나 드론은 컴퓨터가 "지금"이라고 명령을 내린 후, 그 명령이 일정 시간 (예: 1 초, 10 초) 동안 계속 적용됩니다. 즉, "지금 당장"의 속도보다는 **"앞으로 10 초 동안 이 방향으로 얼마나 힘을 줘야 할지"**를 한 번에 계산하는 것이 훨씬 중요합니다.

2. 해법: "MeanFlow 와 만나다" (MeanFlow Meets Control)

이 논문은 **'MeanFlow(평균 흐름)'**라는 AI 기술을 제어 이론에 적용했습니다.

MeanFlow 의 핵심: "지금 당장의 속도"를 예측하는 게 아니라, **"앞으로 10 초 동안의 평균 이동 방향과 힘"**을 한 번에 예측하는 것입니다.
비유:
- 기존 방식: "지금 1 초 동안은 5km/h 로 가라." (매초마다 지시)
- 이 논문의 방식: "다음 10 초 동안은 총 50km 를 이동할 수 있도록 힘을 조절해라." (한 번에 지시)

3. 어떻게 작동할까? (스마트한 버스 기사)

이 논문이 제안한 시스템은 다음과 같이 작동합니다.

학습 단계 (연습):
AI 는 수많은 로봇들이 출발점 (A) 에서 도착점 (B) 으로 가는 수많은 시나리오를 봅니다. 이때 AI 는 "로봇이 A 에서 B 로 가려면, **앞으로 10 초 동안 필요한 최소한의 힘 (에너지)**을 어떻게 조절해야 할지"를 학습합니다.
- 여기서 중요한 것은 AI 가 "속도"를 외우는 게 아니라, **"10 초 동안의 이동 계획을 결정하는 핵심 숫자 (계수)"**를 외운다는 점입니다.
실전 단계 (운행):
실제 로봇들이 움직일 때, AI 는 매초마다 계산을 하지 않습니다. 대신, 10 초 단위로 한 번씩 "자, 이제 다음 10 초 동안은 이 '핵심 숫자'를 바탕으로 힘을 조절해!"라고 명령을 내립니다.
- 이 명령은 로봇이 10 초 동안 스스로 그 힘을 유지하며 움직이게 합니다.
- 만약 로봇이 바람에 밀려서 조금 빗나가도, 다음 10 초가 시작될 때 AI 는 "지금 상태"를 보고 다시 새로운 10 초 계획을 세워줍니다. 그래서 오류가 쌓이지 않고 목적지에 정확히 도착합니다.

4. 왜 이것이 중요한가? (실제 로봇을 위한 현실적인 해결책)

에너지 절약: 로봇이 불필요하게 급격하게 움직이지 않고, 가장 효율적인 경로로 부드럽게 이동합니다. (최소 에너지 제어)
실제 시스템에 적합: 실제 로봇은 컴퓨터가 매순간 명령을 내릴 수 없습니다. 이 방식은 로봇이 "일정 시간 동안" 명령을 수행하는 현실적인 구조에 딱 맞습니다.
복잡한 환경 대응: 로봇들이 회전하거나, 물속을 헤엄치거나, 바람을 맞고 움직일 때 (논문에서는 2 차원 평면과 3 차원 공간의 회전 운동을 예로 들었습니다), AI 는 그 물리 법칙을 고려해서 "앞으로 10 초 동안의 최적 경로"를 다시 계산해 줍니다.

5. 한 줄 요약

"수천 마리의 로봇을 한 번에 조종할 때, 매초마다 지시하는 대신 '앞으로 10 초 동안의 이동 계획'을 한 번에 짜주는 AI 를 만들었습니다. 이렇게 하면 로봇은 에너지를 아끼면서도, 실제 기계의 작동 방식에 맞춰 훨씬 더 정확하고 부드럽게 목적지까지 갈 수 있습니다."

이 논문은 마치 군중을 이끄는 지휘자가, 악기 하나하나의 소리를 매순간 다듬는 대신, 다음 10 초 동안의 전체적인 리듬과 강약을 한 번에 지시하여 오케스트라가 더 완벽하게 연주하도록 돕는 것과 같습니다.

논문 요약: MeanFlow 와 제어의 만남 - 샘플링 데이터 기반 군집 제어 확장

1. 문제 제기 (Problem Statement)

배경: 대규모 로봇 군집 (Swarm) 시스템은 개별 에이전트의 궤적을 계획하는 것이 아니라, 초기 확률 분포 ( $\rho_0$ ) 를 목표 분포 ( $\rho_1$ ) 로 유도하는 분포 기반 제어 (Distributional Control) 가 필요합니다.
핵심 난제: 실제 제어 시스템은 샘플링 데이터 (Sampled-Data) 형태로 작동합니다. 즉, 제어 입력은 이산적인 시간 간격에서 업데이트된 후 유한한 시간 구간 동안 유지됩니다.
기존 방법의 한계: 최근 유동 매칭 (Flow Matching) 및 MeanFlow 와 같은 생성 모델은 주로 '순간적인 속도장 (Instantaneous Velocity Field)'을 학습합니다. 이는 제어 주기가 매우 짧을 때는 문제가 되지 않지만, **소수의 단계 (Few-step)**로 제어를 수행해야 하거나 제어 간격이 길어지는 경우, 국소적인 오차가 누적되어 전체 시스템의 성능을 크게 저하시킵니다.
목표: 샘플링 데이터 구조에 부합하며, 유한 시간 구간 (Finite-window) 에서 시스템 응답을 직접적으로 포착할 수 있는 새로운 제어 학습 프레임워크 개발.

2. 방법론 (Methodology)

이 논문은 MeanFlow의 개념을 선형 시불변 (LTI) 동역학을 가진 제어 시스템에 적용하여, **제어 공간 (Control Space)**에서의 학습 프레임워크를 제안합니다.

가. 학습 대상: 구간 계수 (Interval Coefficient)

기존 MeanFlow 가 '시간 윈도우 내 평균 속도'를 학습한다면, 본 논문은 **유한 구간 최소 에너지 제어 (Finite-horizon Minimum-Energy Control)**를 파라미터화하는 **계수 (Coefficient)**를 학습합니다.
선형 시스템 $\dot{z} = Az + Bu$ 에서, 시간 구간 $[t, r]$ 동안 상태 $z_t$ 에서 $z_r$ 로 이동하는 최소 에너지 제어 입력 $u^*(\tau)$ 는 다음과 같은 형태를 가집니다:
$u^*(\tau) = B^\top \Phi(r, \tau)^\top c(z_t, t, r)$
여기서 $c(z_t, t, r)$ 는 학습할 핵심 객체 (계수) 입니다.
이 계수는 제어 가능성 그라미안 (Controllability Gramian, $W(t, r)$ ) 을 통해 상태 변화와 직접적으로 연결됩니다:
$W(t, r)c(z_t, t, r) = z_r - \Phi(r, t)z_t$

나. 학습 목표: 국소 미분 항등식 (Local Differential Identity)

학습은 전체 구간을 한 번에 계산하는 것이 아니라, 브리지 (Bridge) 궤적을 따라 샘플링된 국소 정보로부터 이루어집니다.
계수 $c(z_t, t, r)$ $c (z_{t}, t, r)$ 는 시간 $t$ $t$ 에 대해 미분할 때 국소 브리지 속도 $v(z_t, t)$ $v (z_{t}, t)$ 와 관련된 항등식을 만족합니다. 이를 통해 Stop-Gradient 연산자를 사용한 안정적인 회귀 학습 목표를 설정합니다.
- 학습 목표: $c_\theta$ 가 위 항등식을 최소 자승법 (Least-squares) 으로 만족하도록 학습.
- 이 방식은 순간적인 속도 레이블 대신, 유한 구간을 정의하는 계수 레이블을 제공하여 이산화 오차를 줄입니다.

다. 구현 (Implementation)

학습 단계: 초기 및 목표 분포에서 샘플링된 엔드포인트 ( $z_0, z_1$ ) 를 기반으로 최소 에너지 브리지 궤적을 생성하고, 이를 통해 구간 계수 학습.
추론 (실행) 단계: 학습된 계수 필드 $c_\theta(z, t, r)$ 를 사용하여 샘플링된 시간 구간 $[t_k, t_{k+1}]$ 마다 계수를 한 번 계산합니다. 이 계수는 해당 구간 전체에 적용되는 제어 입력을 결정하며, 시스템 동역학 ( $\Phi, W$ ) 과 결합하여 다음 상태를 업데이트합니다.
특징: 학습된 모델은 오픈 루프가 아닌, 현재 상태 $z_k$ 에 의존하는 샘플링 데이터 상태 피드백 제어기로 작동합니다.

3. 주요 기여 (Key Contributions)

샘플링 데이터 제어에 적합한 MeanFlow 프레임워크 제안: 순간적인 속도장 대신, 실제 제어 시스템이 적용하는 '유한 구간 제어 계수'를 학습 대상으로 설정하여 Few-step 제어 환경에서의 오차 누적 문제를 해결했습니다.
제어 이론과 생성 모델의 통합: 선형 제어 시스템의 최소 에너지 제어 해법 (Closed-form solution) 을 MeanFlow 의 브리지 학습 구조에 자연스럽게 통합했습니다.
구현의 일관성 보장: 학습된 객체가 실제 제어 입력 업데이트 로직과 직접적으로 매칭되도록 설계되어, prescribed dynamics(지정된 동역학) 와 작동기 맵 (Actuation map) 을 구조적으로 준수합니다.
확장성: 1 차원 운동학뿐만 아니라 2 차, 3 차 고차 시스템 및 다양한 드리프트 (Drift) 동역학에 적용 가능함을 보였습니다.

4. 실험 결과 (Numerical Results)

논문은 PyTorch 를 사용하여 두 가지 시나리오로 실험을 수행했습니다.

2 차원 평면 군집 항해 (2D Planar Navigation):
- 초기 분포 ("AYKJ") 를 목표 분포 ("DCJK") 로 변환.
- 드리프트 없는 경우: MeanFlow 와 유사한 직접적인 변형 발생.
- 회전 드리프트 (Rotational Drift) 포함: 시스템의 회전 동역학이 이동 경로의 기하학적 구조를 근본적으로 변경시킴. 동일한 엔드포인트라도 드리프트에 따라 입자 간 대응 관계 (Matching) 가 수평에서 수직으로 변화하는 것을 확인. 이는 제안된 프레임워크가 동역학을 정확히 반영함을 입증.
3 차원 공간 기동 (3D Spatial Maneuvering):
- 피라미드 형태의 초기 분포를 토러스 (Torus) 형태의 목표 분포로 변환.
- 복잡한 3 차원 공간 재구성 (중앙 비어있는 영역 생성) 과 안정적 유지가 필요함.
- 2 차원 회전뿐만 아니라 3 차원 회전 드리프트가 적용된 경우에도, 16 단계의 적은 제어 업데이트로 성공적으로 변환에 도달함을 확인.

5. 의의 및 결론 (Significance & Conclusion)

실제 적용 가능성: 이 프레임워크는 실제 로봇 군집 시스템의 샘플링 데이터 특성을 고려하여 설계되었으므로, 이론적 모델과 실제 제어 구현 간의 간극을 해소합니다.
Few-step 제어의 효율성: 많은 수의 작은 시간 단계를 거치지 않고도, 유한 구간을 단위로 한 제어 계수를 학습함으로써 계산 효율성과 제어 정확도를 동시에 확보할 수 있습니다.
향후 과제: 비선형 동역학, 제약 조건이 있는 제어, 그리고 coarse-time 실행 하의 안정성 분석 등이 향후 연구 과제로 제시되었습니다.

결론적으로, 이 논문은 MeanFlow 의 아이디어를 제어 이론의 '최소 에너지 제어' 개념과 결합하여, 샘플링 데이터 환경에서 대규모 군집을 효율적이고 정확하게 조종할 수 있는 새로운 학습 기반 제어 패러다임을 제시했습니다.