$\mathcal{L}_1$-Certified Distributionally Robust Planning for Safety-Constrained Adaptive Control

1. 문제 정의 (Problem Statement)

자율 시스템의 안전한 운영은 두 가지 주요 불확실성에 직면해 있습니다.

• 모델 불확실성 (Epistemic Uncertainty): 시스템의 동역학에 대한 불완전한 지식 (예: 미모델링된 비선형성, 매칭된 불확실성).
• 환경 불확실성 (Aleatoric Uncertainty): 외부 요인 (예: 장애물, 다른 에이전트) 으로 인한 확률적 교란.

기존의 강건 제어 (Robust Control) 는 최악의 경우 (worst-case) 를 가정하여 보수적인 행동을 유도하고, 데이터 기반 제어는 분포 변화 (distribution shift) 에 취약합니다. 특히, **분포 강건 모델 예측 제어 (DR-MPC)**는 불확실성 집합 (ambiguity set) 을 가정하지만, 시스템의 시간에 따라 변하는 상태 분포에서 여러 개의 독립적인 표본을 수집하는 것이 불가능하기 때문에, 계획에 사용된 불확실성 집합이 실제 폐루프 시스템에 유효한지 **인증 (certify)**할 수 없다는 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

저자들은 계층적 프레임워크를 제안하여 계획과 적응을 연결합니다 (그림 1 참조).

A. 계층적 구조

1. 상위 계층: DR-MPC Planner (분포 강건 계획기)

   • 환경 불확실성을 데이터 기반의 불확실성 집합 (ambiguity set) 으로 포착합니다.
   • Wasserstein 거리를 기반으로 한 불확실성 집합 내에서 최악의 경우 분포에 대해 안전 제약 (Distributionally Robust Chance Constraints, DR-CC) 을 부과합니다.
   • 이를 통해 명목상 (nominal) 궤적을 생성합니다.

2. 하위 계층: L1-Adaptive Controller (L1 적응 제어기)

   • 생성된 명목 궤적을 추종하는 기준 제어기 (baseline controller) 위에 L1 적응 제어기를 추가합니다.
   • L1 적응 제어기는 모델 불확실성 (매칭된 드리프트 및 확산 항) 을 실시간으로 보상합니다.
   • 핵심 기여: L1 적응 제어기는 명목 상태 분포와 실제 상태 분포 사이의 **Wasserstein 거리를 상한 (bound) 으로 갖는 "분포 인증서 (distributional certificate)"**를 온라인으로 제공합니다. 이는 분포 샘플 없이도 시스템 불확실성 반경 (ambiguity radius) 을 보장합니다.

B. 안전성 보장 메커니즘

• 시스템 측면: L1-AC 가 제공하는 Wasserstein 상한 ($\rho_x$) 을 통해 실제 상태 분포가 계획 시 사용한 불확실성 집합 내에 있음을 보장합니다.
• 환경 측면: 환경 데이터의 유한 표본 (finite samples) 에 대한 집중 부등식 (concentration inequality) 을 사용하여 환경 분포의 오차 반경 ($\rho_z$) 을 추정합니다.
• 통합: 두 반경을 합친 총 불확실성 반경 ($\rho_y = \rho_x + \rho_z$) 을 사용하여 DR-MPC 의 안전 제약 조건을 설정합니다. 이론적으로 계획기가 실행 가능 (feasible) 하다면, 실제 폐루프 시스템은 단계별 (stagewise) 안전성을 보장받습니다.

C. 계산적 실현 가능성 (Tractable Reformulation)

DR-MPC 의 확률적 제약은 직접 계산하기 어렵습니다. 이를 해결하기 위해 다음과 같은 수학적 기법을 적용했습니다:

• Wasserstein Duality: 최악의 경우 확률 제약을 조건부 위험 가치 (CVaR) 제약으로 변환합니다.
• 거리 기반 표현: 충돌 집합 (collision set) 까지의 거리를 사용하여 CVaR 조건을 유도합니다.
• 샘플 기반 구현: 명목 상태 분포와 환경 분포를 독립적으로 샘플링하여 CVaR 을 근사화함으로써, 무한 차원의 문제를 유한한 샘플 기반의 최적화 문제로 변환합니다.

3. 주요 기여 (Key Contributions)

1. 계층적 DR-MPC 프레임워크: L1-AC 를 통해 분포 샘플 없이도 시스템 불확실성 반경을 온라인으로 인증하고, 환경 불확실성은 유한 표본 집중 부등식으로 얻어, 두 불확실성을 결합한 공동 Wasserstein 불확실성 집합을 구축합니다.
2. 폐루프 분포 인증 메커니즘: 모델 및 환경 불확실성이 동시에 존재하는 상황에서도 실제 시스템에 대한 **이론적으로 증명 가능한 단계별 안전성 (provable stagewise safety)**을 보장합니다.
3. 계산적으로 실현 가능한 DR-MPC 재형성: CVaR 과 Wasserstein 쌍대성 (duality) 을 활용하여 거리 기반 표현을 도입함으로써, 샘플 기반 DR-MPC 구현을 가능하게 하는 기하학적 구조에 구애받지 않는 (geometry-agnostic) 재형성 방법을 제시합니다.

4. 실험 결과 (Results)

시뮬레이션 실험은 2 차원 환경에서 동적 장애물 회피 및 궤적 추종 문제를 통해 수행되었습니다.

• 비교 대상:
  1. DR-MPC (Nominal): 환경 불확실성만 고려, 모델 불확실성 무시.
  2. DR-MPC (True Dynamics): 불확실한 시스템에 직접 적용, 적응 제어 없음.
  3. 제안 방법 (DR-MPC + L1): 제안된 계층적 프레임워크 적용.
• 결과:
  • DR-MPC (Nominal): 모델 불확실성으로 인해 실제 궤적이 명목 궤적에서 크게 벗어나 안전성 위반이 발생하거나 추적 성능이 저하됨.
  • DR-MPC (True Dynamics): 적응 제어 부재로 인해 모델 불확실성을 보상하지 못해 충돌률이 매우 높음 (원형 경로 시나리오에서 86% 실패).
  • 제안 방법: L1 적응 계층이 모델 불확실성을 효과적으로 보상하여 **모든 시나리오에서 충돌을 방지 (0% 실패)**하고, 명목 궤적에 대한 추적 오차를 최소화했습니다.
  • 수치적 지표: 제안 방법은 추적 비용 (tracking cost) 이 명목 기준과 유사하게 유지되면서도 안전성 (failure probability) 을 극적으로 개선했습니다.

5. 의의 및 결론 (Significance & Conclusion)

이 논문은 자율 시스템 제어 분야에서 **계획 (planning)**과 **적응 (adaptation)**을 분포 이론 (distributional theory) 을 통해 통합한 획기적인 접근법을 제시합니다.

• 이론적 의미: L1 적응 제어기가 제공하는 실시간 분포 인증서를 통해 DR-MPC 의 핵심 약점인 "불확실성 집합의 유효성 검증 불가" 문제를 해결했습니다.
• 실용적 의미: 복잡한 환경과 불완전한 모델 하에서도 안전성이 보장되는 자율 시스템 구현을 가능하게 하며, 데이터 기반 접근법의 취약점을 보완하고 강건 제어의 과도한 보수성을 완화합니다.
• 향후 과제: 비선형 동역학으로의 확장 및 재귀적 실행 가능성 (recursive feasibility) 보장을 위한 연구가 필요하다고 언급되었습니다.

요약하자면, 이 연구는 L1 적응 제어의 실시간 보상 능력과 분포 강건 최적화의 계획 능력을 결합하여, 불확실성이 공존하는 실제 환경에서도 이론적으로 안전성이 인증된 자율 제어를 실현하는 새로운 패러다임을 제시했습니다.