Koopman Operator Framework for Modeling and Control of Off-Road Vehicle on Deformable Terrain

논문 요약: 변형 가능한 지형에서의 오프로드 차량 모델링 및 제어를 위한 쿠퍼만 (Koopman) 연산자 프레임워크

1. 연구 배경 및 문제 제기 (Problem)

• 오프로드 자율 주행의 난제: 오프로드 환경에서의 자율 주행은 도로 주행보다 훨씬 복잡합니다. 주요 불확실성은 센서 인식이나 매핑이 아니라, 차량과 변형 가능한 지형 (흙, 모래 등) 간의 물리적 접촉에서 발생합니다.
• 기존 모델의 한계:
  • 고충실도 시뮬레이션: 이산 요소법 (DEM) 과 같은 고충실도 모델은 지면의 변형을 정밀하게 묘사하지만, 실시간 제어 설계에 필요한 계산 비용이 너무 큽니다.
  • 전통적 테라메커닉스 모델: Bekker-Wong-Reece 모델과 같은 고전적 모델은 지면 - 타이어 상호작용을 구조화하여 설명하지만, 접촉 패치 이산화, 응력 계산, 반복적 수치 해법 등으로 인해 실시간 계획 (MPC 등) 에 적용하기에는 계산 부하가 여전히 높습니다.
  • 강성 지형 가정의 실패: 강성 지면을 가정한 단순한 차량 모델은 부드러운 토양에서는 마찰력, 침하 (sinkage), 슬립 (slip) 이 지반 강도와 결합되어 비선형적으로 작용하므로, 제어 성능을 저하시키고 차량의 조종성을 떨어뜨립니다.
• 핵심 과제: 높은 정확도를 유지하면서도 실시간으로 계산 가능한 제어 지향적 (control-oriented) 모델 개발이 필요합니다.

2. 제안된 방법론 (Methodology)

이 논문은 하이브리드 물리 기반 및 데이터 주도 (Physics-informed and Data-driven) 접근법을 통해 오프로드 차량의 동역학을 선형 형태로 근사화하는 쿠퍼만 (Koopman) 연산자 프레임워크를 제안합니다.

• 데이터 생성 (Simulation):
  • Bekker-Wong-Reece 테라메커닉스 모델과 결합된 5 자유도 (5-DOF) 차량 모델 (단일 트랙 + 반차량 서스펜션) 을 사용하여 모래 (Sandy Loam) 와 점토 (Clay) 지형에서의 대규모 시뮬레이션 데이터를 생성했습니다.
  • 다양한 조향 및 토크 입력 (직진, 슬라롬, 피쉬훅 등) 을 포함하여 데이터의 다양성을 확보했습니다.
• 쿠퍼만 연산자 식별 (Koopman Identification):
  • 선형 리프팅 (Linear Lifting): 복잡한 비선형 차량 - 지면 동역학을 고차원 관측 가능 공간 (Observable Space) 으로 매핑하여 선형 시스템으로 변환합니다.
  • 재귀적 부분공간 식별 (Recursive Subspace Identification, SSID): 대용량 데이터 세트를 효율적으로 처리하기 위해 재귀적 SSID 알고리즘을 적용했습니다. 이는 전체 Hankel 행렬을 재계산하지 않고도 새로운 데이터 세그먼트를 점진적으로 학습할 수 있게 합니다.
  • 그라스마니안 거리 (Grassmannian Distance): 학습 과정에서 중복되거나 정보량이 적은 데이터 세그먼트를 필터링하기 위해 사용되었습니다. 새로운 데이터가 기존 관측 가능 부분공간과 얼마나 다른지 (Grassmannian distance) 를 측정하여, 정보량이 풍부한 데이터만 모델 업데이트에 포함시킵니다.
  • 리프팅 함수: 물리 상태 ($x$) 를 쿠퍼만 좌표 ($z$) 로 매핑하는 함수는 가우시안 프로세스 (Gaussian Process) 를 사용하여 학습되었습니다.
• 제어 적용 (MPC):
  • 학습된 선형 쿠퍼만 예측기를 제약 조건이 있는 모델 예측 제어 (Constrained MPC) 에 통합하여, 조향 각도 및 토크 제한 내에서 공격적인 기동 (Aggressive maneuvers) 을 추적하도록 설계했습니다.

3. 주요 기여 (Key Contributions)

1. 계산 효율적인 선형 예측기 개발: 고충실도 테라메커닉스 모델의 비선형성을 유지하면서도, 쿠퍼만 연산자를 통해 실시간 제어에 적합한 선형 모델을 구축했습니다.
2. 재귀적 및 확장 가능한 학습 프레임워크: 대용량 시뮬레이션 데이터를 효율적으로 처리하고, 물리 시스템의 실제 데이터로 모델을 업데이트할 수 있는 재귀적 식별 알고리즘을 제안했습니다.
3. 지형 특화 모델의 중요성 입증: 서로 다른 토양 (모래 vs 점토) 에 대해 별도의 쿠퍼만 연산자가 필요함을 실험적으로 증명했습니다. 한 지형에서 학습된 모델을 다른 지형에 적용할 경우 제어 성능이 급격히 저하됨을 보였습니다.
4. 실시간 MPC 구현: 학습된 예측기를 기반으로 한 MPC 가 실시간으로 작동 (평균 솔버 시간 0.085 초) 하며, 제한된 입력 조건에서도 안정적인 궤적 추적을 달성함을 입증했습니다.

4. 실험 결과 (Results)

• 예측 정확도:
  • 모래 (Sandy Loam) 와 점토 (Clay) 지형 모두에서 짧은 시간 범위 (Short-horizon) 에서 안정적인 예측 정확도를 보였습니다.
  • 평탄한 지형에서 학습된 모델은 최대 0.1m 의 높이 변화가 있는 불규칙한 지형에서도 강인성 (Robustness) 을 유지했습니다.
  • 모델 차수 (Model Order) 를 최적화하여 과적합을 방지하면서도 주요 동역학을 포착했습니다 (모래: 18 차, 점토: 19 차).
• 제어 성능:
  • 피쉬훅 (Fishhook) 기동: 모래 지형에서 학습된 쿠퍼만-MPC 는 급격한 곡률 변화와 횡방향/요 (Yaw) 동역학의 과도 응답을 정확하게 추적하며, 조향 및 토크 제한을 준수했습니다.
  • 지형 불일치 효과: 점토 지형에서 모래 지형용 모델을 사용할 경우, 횡방향 속도 ($v$) 와 요 속도 ($\dot{\psi}$) 예측 오차가 100% 이상 증가하여 차량이 궤적에서 이탈하고 조향이 포화 상태 (Saturation) 에 빠지는 등 제어 실패가 발생했습니다. 이는 지면 - 바퀴 상호작용의 비선형성이 모델의 핵심 요소임을 보여줍니다.
• 지형별 성능 차이: 점토 지형이 모래 지형보다 더 큰 슬립과 횡방향 속도 변동을 유발하여 예측 오차가 상대적으로 높았습니다.

5. 의의 및 결론 (Significance)

• 실시간 오프로드 제어의 새로운 패러다임: 고충실도 시뮬레이션의 계산 부담을 피하면서도, 변형 가능한 지형에서의 복잡한 동역학을 포착할 수 있는 효율적인 대안을 제시했습니다.
• 하이브리드 접근법의 확장성: 시뮬레이션 데이터로 초기 모델을 학습하고, 실제 차량의 센서 데이터를 통해 쿠퍼만 연산자를 점진적으로 업데이트 (Online Update) 할 수 있는 가능성을 열었습니다. 이는 불확실한 지형 조건에서 적응형 자율 주행 시스템을 구축하는 데 중요한 기반이 됩니다.
• 향후 방향: 더 큰 지형 높이 변화, 다양한 토양 조건, 그리고 여러 쿠퍼만 모델의 앙상블 (Ensemble) 을 통한 온라인 지형 적응 및 모델 블렌딩 연구가 필요하다고 결론지었습니다.

이 연구는 오프로드 자율 주행 차량이 복잡한 지형 환경에서도 안전하고 효율적으로 주행할 수 있도록 하는 데이터 기반 선형 제어 프레임워크의 유효성을 강력하게 입증했습니다.