Surrogate Model-Based Near-Optimal Gain Selection for Approach-Angle-Constrained Two-Phase Pure Proportional Navigation

이 논문은 2 단계 순수 비례항법 (2pPPN, Two-Phase Pure Proportional Navigation) 을 사용하는 항공기 (드론 등) 의 종단 접근 각도 제어 문제에서, 총 유도 노력 (guidance effort) 을 최소화하는 거의 최적의 항법 이득 (navigation gains) 을 실시간으로 선택하기 위한 데이터 기반의 대리 모델 (Surrogate Model) 접근법을 제안합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Statement)

• 배경: 순수 비례항법 (PPN) 은 간단하고 강인하지만, 고정된 목표물에 대한 단일 단계 PPN 은 특정 접근 각도만 달성 가능합니다. 이를 극복하기 위해 **방향 전환 단계 (Orientation Phase)**와 **최종 유도 단계 (Final Phase)**로 나눈 2pPPN이 제안되었습니다.
• 한계: 기존 연구에서는 방향 전환 단계의 종료 시점을 특정하게 고정하여 접근 각도 범위를 확장했으나, 이는 전체 유도 노력 (가속도의 제곱 적분) 을 최소화하지 못했습니다.
• 목표: 주어진 초기 조건과 원하는 종단 접근 각도에서, 두 단계의 항법 이득 ($N_{ori}, N_f$) 을 최적화하여 유도 노력 ($J = \int a_P^2 dt$) 을 최소화하는 문제를 해결하고자 합니다.
• 난제: 임의의 초기/종단 기하학적 조건에 대해 최적 이득을 분석적으로 구하는 것은 불가능 (intractable) 하며, 수치적 탐색은 실시간 적용에 너무 계산 비용이 큽니다.

2. 방법론 (Methodology)

저자는 신경망 (Neural Network, NN) 기반의 회귀 모델을 개발하여 최적 이득과 초기/종단 조건 간의 비선형 매핑을 학습하는 데이터 기반 프레임워크를 구축했습니다.

• 데이터 생성 (Dataset Generation):
  • 다양한 초기 조건 ($\alpha_{P0}$) 과 원하는 종단 각도 ($\alpha^d_{Pf}$) 에 대해 수치 시뮬레이션을 수행했습니다.
  • 제약 조건 (최종 가속도 한계, 최대 유도 시간 등) 하에서 최적화 문제 (Problem 10a, 10b) 를 풀어 최적 이득 쌍을 생성했습니다.
  • 총 94,857 개의 시나리오 중 유효한 4,216 개 (Model A) 와 136 개 (Model B) 의 최적 데이터를 확보했습니다.
• 신경망 아키텍처:
  • Model A: 최종 단계 이득 ($N_f$) 을 설계 입력으로 받아, 최적의 방향 전환 단계 이득 ($N^*_{ori}$) 을 예측합니다. (입력: $\alpha_{P0}, \alpha^d_{Pf}, N_f$)
  • Model B: 두 단계의 이득 ($N^*_{ori}, N^*_{f}$) 을 동시에 예측합니다. (입력: $\alpha_{P0}, \alpha^d_{Pf}$)
  • 두 모델 모두 완전 연결 피드포워드 신경망 (Fully Connected Feedforward NN) 을 사용하며, tanh 활성화 함수를 적용했습니다.
• 학습 과정:
  • Adam 옵티마이저를 사용하며, 평균 제곱 오차 (MSE) 손실 함수를 최소화하도록 학습했습니다.
  • 학습된 NN 은 수치 최적화의 결과를 근사하는 계산 효율적인 대리 모델 (Surrogate Model) 역할을 합니다.

3. 주요 기여 (Key Contributions)

1. 최적 이득 매니폴드의 대리 모델화: 분석적 해가 불가능한 복잡한 최적화 문제를, 훈련된 신경망을 통해 실시간으로 근사해 낼 수 있는 프레임워크를 제시했습니다.
2. 두 가지 최적화 전략 제안:
   • 고정된 $N_f$에 대한 $N_{ori}$ 최적화 (Model A).
   • $N_{ori}$와 $N_f$의 동시 최적화 (Model B).
3. 실시간 적용 가능성: 수치 최적화를 반복 수행할 필요 없이, 신경망의 순방향 평가 (forward evaluation) 만으로 약 100 마이크로초 ($O(10^2) \mu s$) 내에 거의 최적의 이득을 도출하여 실시간 유도 명령 생성이 가능하게 했습니다.

4. 결과 (Results)

• 정확도:
  • Model A: 결정 계수 ($R^2$) 가 0.932로 매우 높은 정확도를 보였습니다. $N_f$가 입력에 포함됨으로써 예측의 모호성이 줄어든 것으로 분석됩니다.
  • Model B: $N^*_f$와 $N^*_{ori}$에 대해 각각 $R^2$가 0.880과 0.901로 높은 정확도를 보였습니다.
• 성능: 학습된 모델은 훈련 데이터의 거친 최적 이득 표면 (Fig. 5) 을 매끄럽게 학습하여 (Fig. 8), 경계 영역을 제외한 대부분의 구간에서 실제 최적값과 매우 근사한 값을 예측했습니다.
• 한계: 2pPPN 의 경계 조건 (boundary cases) 에서는 오차가 다소 증가하는 경향이 관찰되었으나, 전반적으로 매우 우수한 성능을 입증했습니다.

5. 의의 (Significance)

• 에너지 효율성: 제한된 온보드 에너지를 가진 자율 항공기 (UAV) 가 정밀한 접근 각도 (예: 창문 통과, 충전 스테이션 도킹, 산업 검사 등) 를 달성하면서도 최소한의 유도 노력을 소모하도록 보장합니다.
• 실시간성: 기존에 불가능했던 복잡한 비선형 최적화 문제를 신경망 기반의 경량 모델로 해결함으로써, 실시간 유도 시스템에 통합 가능한 솔루션을 제공합니다.
• 확장성: 이 접근법은 다양한 유도 법칙 및 임무 제약 조건에 적용 가능한 데이터 기반 최적화 프레임워크의 가능성을 보여줍니다.

요약하자면, 이 논문은 2pPPN 유도 법칙의 유연성을 활용하여 유도 노력을 최소화하는 최적 이득을 신경망 대리 모델을 통해 실시간으로 예측하는 방법을 제안함으로써, 정밀한 종단 각도 제어가 필요한 자율 비행 임무의 효율성과 실행 가능성을 크게 향상시켰습니다.