Passive iFIR filters for data-driven velocity control in robotics

1. 연구 배경 및 문제 정의 (Problem Statement)

• 현황: 산업용 로봇 매니퓰레이터는 주로 단순하고 배포가 용이한 PID 제어기를 사용합니다. 그러나 PID 는 3 개의 파라미터 구조로 인해 고차원적이고 비선형적인 동역학을 가진 시스템에서 폐루프 응답을 자유롭게 형성하는 데 한계가 있습니다.
• 학습 기반 제어의 한계: 딥 강화학습 (DRL) 등 데이터 기반 학습 제어는 복잡한 동역학을 처리할 수 있지만, 일반적으로 안정성 (Stability) 과 강건성 (Robustness) 에 대한 형식적 보장 (Formal guarantees) 이 부재합니다. 학습된 정책이 훈련 환경 밖에서는 불안정해질 수 있다는 치명적인 단점이 있습니다.
• 연구 목표: 단순한 PID 와 복잡한 학습 기반 제어 사이의 간극을 메우기 위해, 데이터로부터 학습되면서도 폐루프 시스템의 안정성을 보장하는 제어기를 개발하는 것입니다. 구체적으로 로봇의 속도 제어 (Joint-space 및 Cartesian-space) 에서 PID 보다 우수한 추종 성능을 달성하면서도 안정성을 수학적으로 증명할 수 있는 방법을 제시합니다.

2. 제안된 방법론 (Methodology)

이 논문은 수동성 (Passivity) 을 가진 iFIR (integrator-Finite Impulse Response) 필터를 데이터 기반 설계에 적용합니다.

가. iFIR 제어기 구조

• 정의: iFIR 제어기는 적분기 (Integrator) 와 유한 임펄스 응답 (FIR) 필터를 병렬로 연결한 구조입니다.
  • 기존 PID 의 PD(비례 - 미분) 성분을 FIR 필터로 대체하여 더 풍부한 시간적 표현 (temporal representation) 을 제공합니다.
  • 수식: $u(t) = \sum H_k e(t-k) + T_s \Gamma \sum e(t-k)$
  • 여기서 $\Gamma$는 적분 작용 (탄성력) 을, $H_k$는 FIR 계수를 나타냅니다.

나. 데이터 기반 설계 (VRFT 기반)

• 가상 참조 피드백 튜닝 (VRFT): 로봇의 명시적 모델 없이, 짧은 시간 (약 3 분) 의 탐사 데이터 (Probing data) 만을 사용하여 제어기 파라미터를 학습합니다.
  • 원하는 폐루프 응답을 정의하는 참조 모델 ($M_r$) 을 설정합니다.
  • 로봇에 다양한 주파수의 사인파 입력을 인가하여 입력 - 출력 데이터 $(u, y)$를 수집합니다.
  • 가상 오차 신호 $e = M_r^{-1}(y) - y$를 생성하고, 이를 기반으로 제어기 파라미터를 최소 제곱법으로 최적화합니다.

다. 수동성 (Passivity) 제약 조건 및 안정성 보장

• 핵심 아이디어: 제어기가 수동적 (Passive) 이고 로봇 시스템 또한 수동적이면, 폐루프 시스템은 자동으로 안정화됩니다.
• 구현: 최적화 문제 (VRFT) 에 수동성 제약 조건을 추가하여 제어기를 설계합니다.
  1. 적분기 부분: $\Gamma$가 양의 준정부호 (Positive Semi-definite) 행렬이 되도록 제약 ($\Gamma = \Gamma^T \succeq 0$).
  2. FIR 부분: FIR 필터의 임펄스 응답이 지수적으로 감소하도록 정규화 ($|H_k|^2 \le \rho_0 \rho^k$).
  3. 전체 수동성: FIR 필터의 전달 함수가 'Positive Real' 조건을 만족하도록 제약. 이를 위해 주파수 영역에서 이산 샘플링된 점들에서 $F(\theta) \ge \epsilon I$ 조건을 부과합니다.
• 결과: 이 제약 조건들은 선형 행렬 부등식 (LMI) 으로 표현되어 효율적으로 계산 가능하며, 학습된 제어기가 물리적 시스템과 결합될 때 안정성을 수학적으로 보장합니다.

3. 주요 실험 및 결과 (Key Results)

실험은 Franka Research 3 로봇을 사용하여 수행되었으며, Joint-space(관절 공간) 와 Cartesian-space(카르테시안 공간) 속도 제어 두 가지 시나리오에서 검증되었습니다.

가. 실험 설정

• 데이터: 3 분 (Joint) 또는 1 분 (Cartesian) 의 탐사 데이터만 사용.
• 비교 대상: VRFT 로 튜닝된 최적 PID 제어기.
• 평가 지표: 정규화된 RMS 오차 (NRMSE).

나. Joint-space Velocity Control (관절 공간 속도 제어)

• 부하 변화 테스트: 유연한 목재 판을 부착하여 고차원 동역학을 시뮬레이션.
• 성능:
  • Nominal (기본): iFIR 이 PID 대비 41.0% 낮은 NRMSE 를 기록하며 우수한 추종 성능을 보임.
  • Robustness (부하 변경): 재학습 없이 다른 부하 조건에서도 PID 보다 우수한 성능 유지.
  • Stability (안정성): 수동성 제약이 없는 iFIR 은 요구도가 높은 참조 모델에서 **불안정 (진동 발산)**해졌으나, 수동성 제약이 적용된 iFIR 은 안정적으로 동작함.

다. Cartesian-space Velocity Control (카르테시안 공간 속도 제어)

• SISO vs MIMO: 각 축을 독립적으로 제어하는 SISO 와 3 축을 동시에 제어하는 MIMO 구조를 비교.
• 성능:
  • MIMO 1 차 모델: iFIR 이 PID 대비 최대 32.0% 성능 향상.
  • MIMO 2 차 모델 (요구도 높음): 더 빠르고 복잡한 참조 모델을 적용했을 때, iFIR 이 PID 대비 67.7% (랜덤 궤적) 및 **74.5% (사다리꼴 궤적)**의 추종 오차 감소 효과를 보임.
  • 작업 공간 이동: 훈련 위치에서 벗어난 경우, PID 는 고주파 진동이 발생했으나 iFIR 은 더 부드럽게 성능 저하를 보임 (Graceful degradation).

4. 주요 기여 (Key Contributions)

1. 안정성 보장 데이터 기반 제어: 학습 기반 제어의 성능과 수동성 기반 제어의 안정성 보장을 결합한 최초의 실험적 검증 사례입니다.
2. iFIR 제어기 확장: 단일 입력 단일 출력 (SISO) 에서 다중 입력 다중 출력 (MIMO) 로봇 시스템으로 iFIR 제어기 합성 방법을 확장하고, 수동성 제약 조건을 수학적으로 증명했습니다.
3. 실제 로봇 검증: 복잡한 동역학 (유연한 부하, 카르테시안 공간 제어) 을 가진 실제 로봇 (Franka Research 3) 에서 PID 를 능가하는 성능을 입증했습니다.
4. 효율성: 명시적 모델링 없이 짧은 시간 (수 분) 의 데이터만으로 고성능 제어기를 재학습할 수 있음을 보였습니다.

5. 의의 및 결론 (Significance)

이 연구는 로봇 제어 분야에서 "학습의 유연성"과 "안정성의 엄격함" 사이의 균형을 성공적으로 찾았습니다.

• 산업적 적용 가능성: 복잡한 모델링 없이도 기존 PID 를 대체할 수 있는 강력한 대안을 제시하며, 특히 정밀한 속도 제어가 필요한 연마, 용접, 가공 등 산업 응용 분야에서 유용합니다.
• 안전성: 학습된 제어기가 물리적 시스템과 상호작용할 때 발생할 수 있는 불안정성을 수동성 이론을 통해 사전에 차단함으로써, 안전이 최우선인 로봇 시스템에 적용 가능한 신뢰할 수 있는 방법론을 제공합니다.
• 향후 과제: 참조 모델의 자동 생성, 비선형 및 적응형 iFIR 제어기 개발, 온라인 적응 능력 향상 등이 향후 연구 과제로 제시되었습니다.

요약하자면, 이 논문은 수동성 제약이 적용된 iFIR 필터를 통해 데이터 기반 로봇 속도 제어가 PID 보다 성능이 우수하면서도 이론적으로 안정성이 보장됨을 실험적으로 입증한 획기적인 연구입니다.