Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees

1. 문제 정의 (Problem Definition)

이 논문은 안전-중요 (Safety-Critical) 제어 시스템에서 불확실한 동역학을 온라인으로 적응 (Adaptation) 시킬 때 발생하는 주요 한계를 해결하는 것을 목표로 합니다.

• 배경: 안전-중요 제어는 종종 보수적인 최악의 경우 (Worst-case) 불확실성 경계를 사용하여 성능을 제한합니다. 온라인 동역학 적응은 이를 완화할 수 있지만, 기존 방법은 불확실성 정량화에 한계가 있습니다.
• 핵심 문제 1 (레이블 부재): 표준 온라인 컨포멀 예측 (OCP) 은 예측 오차에 대한 '진실값 (Ground Truth)'이 실시간으로 공개되어야 합니다. 그러나 연속 시간 시스템에서 잔여 동역학 오차 (Residual Dynamics Error) 를 계산하려면 **상태 미분 ($\dot{x}$)**이 필요하지만, 실제 센서로는 상태 ($x$) 만 측정 가능하고 미분값은 직접 관측할 수 없습니다.
• 핵심 문제 2 (다단계 보장 부재): 기존 OCP 기반 안전 제어는 주로 1 단계 (Instantaneous) 또는 단일 시간 단계의 커버리지 보장을 제공합니다. 그러나 예측 제어 (MPC 등) 는 미래의 유한한 시간 구간 (Horizon) 동안 안전이 보장되어야 하므로, 다단계 (Multi-step) 에 걸친 누적 오차에 대한 보장이 필요합니다.
• 목표: 상태 미분 측정 없이, 그리고 분포에 대한 사전 가정 없이도, 적응 학습 오차와 외부 섭동을 통합하여 장기적인 다단계 안전 보장을 제공하는 불확실성 정량화 프레임워크를 개발하는 것입니다.

2. 제안 방법론: SI-OCP (Staggered Integral Online Conformal Prediction)

저자들은 SI-OCP라는 새로운 알고리즘을 제안하여 위 문제들을 해결합니다.

A. 적분 비-준수 점수 (Integral Non-conformity Score)

• 상태 미분 ($\dot{x}$) 이 unavailable 하므로, 직접적인 오차 대신 상태 궤적의 적분 효과를 활용합니다.
• 롤링 윈도우 (Rolling Window): 시간 구간 $[t_k - T_p, t_k]$ 동안의 측정된 상태 ($x$), 입력 ($u$), 파라미터 추정치 ($\hat{\theta}$) 를 사용합니다.
• 점수 함수 ($S_k$): 실제 상태 변화량과 모델이 예측한 상태 변화량의 차이를 적분한 값의 상한 (Supremum) 을 점수로 정의합니다. 이는 해당 구간 동안의 누적 섭동 (Disturbance) 효과를 포착합니다.
  $$S_k = \sup_{\tau_1, \tau_2} \left\| x(\tau_2) - x(\tau_1) - \int_{\tau_1}^{\tau_2} f_{nom}(s) ds \right\|$$
• 이 점수는 이전 시간 구간의 예측에 대한 '레이블' 역할을 하며, 현재 시점에서는 지연 (Delayed) 되어 제공됩니다.

B. 스태거드 (Staggered) 업데이트 전략

• 예측 시간 구간 (Horizon, $T_p$) 을 $P$개의 이산 구간으로 나누고, **$P$개의 독립적인 스레드 (Thread)**를 유지합니다.
• 각 시간 단계 $k$에서 활성 스레드 $j = k \mod P$만 업데이트됩니다.
• 동작 원리: 현재 시점 $t_k$에서 계산된 점수 $S_k$는 $P$ 단계 전 ($t_{k-T_p}$) 에 수행된 예측에 대한 지연된 레이블로 사용됩니다. 이를 통해 각 스레드는 독립적으로 OCP 업데이트 (Pinball loss 기반) 를 수행하며, 지연된 정보를 통해 다음 시간 구간의 불확실성 경계를 보정합니다.

C. 다단계 커버리지 보장 및 안전 제어 통합

• 점수에서 경계로 변환: 적분된 섭동 상한 ($q_k$) 을 시간 구간 $[t_k, t_k+T_p]$ 내의 점별 (Point-wise) 섭동 상한 $d_k$로 변환합니다. 이는 섭동의 Lipschitz 상수 ($L_d$) 와 예측 시간 구간의 길이를 고려하여 계산됩니다.
• 안전 제어기 적용: 계산된 동적 강건성 마진 (Robustness Margin) $d_k$는 Robust Tube MPC와 같은 안전-중요 제어기에 입력됩니다. 제어기는 이 마진을 기반으로 튜브 (Tube) 크기를 조정하여, 불확실성이 존재하더라도 시스템이 안전 집합 (Safe Set) 내에 머무르도록 합니다.

3. 주요 기여 (Key Contributions)

1. 미분 측정 불필요 프레임워크: 상태 미분 측정이나 직접적인 잔여 레이블 공개 없이, 적분 비-준수 점수를 통해 온라인 동역학 적응의 불확실성을 정량화하는 새로운 컨포멀 프레임워크를 개발했습니다.
2. 다단계 커버리지 확장: 기존 OCP 의 1 단계 보장을 넘어, 지연된 레이블을 활용한 스태거드 업데이트를 통해 미래 예측 구간 전체에 걸친 다단계 (Multi-step) 커버리지 보장을 달성했습니다.
3. 안전 제어 통합 및 검증: 생성된 적응형 강건성 마진을 안전-중요 제어기에 통합하여 **점근적 장기 안전 보장 (Asymptotic Long-run Safety)**을 증명했습니다. 특히, **전 계층 (All-layer) 적응형 딥 뉴럴 네트워크 (DNN)**와 같은 복잡한 학습 파라미터화 및 Robust Tube MPC와의 통합을 시뮬레이션으로 검증했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 환경: 3 차원 쿼드콥터가 시간 및 공간적으로 변화하는 바람과 미모델링된 공기역학적 섭동 하에서 장애물을 피하며 목표 지점으로 이동하는 시나리오.
• 적응 모델: 전 계층 적응형 DNN (All-layer DNN) 을 사용하여 미모델링 동역학을 예측하고, SSML(Self-Supervised Meta Learning) 을 통해 파라미터를 온라인 업데이트.
• 성능 비교:
  • 적응 활성화 시: SI-OCP 는 DNN 이 동역학을 잘 학습하도록 돕고, 추정된 섭동 경계가 낮아져 좁은 장애물 사이를 통과할 수 있게 합니다.
  • 적응 비활성화 시 (Frozen DNN): DNN 이 동역학을 정확히 예측하지 못해 실제 섭동이 큽니다. SI-OCP 는 이 높은 불확실성을 정확히 감지하여 튜브 (Tube) 크기를 확장시키고, 안전을 위해 좁은 통로를 통과하지 못하도록 제어합니다.
• 커버리지 정확도: 실험 결과, SI-OCP 는 실제 섭동을 **98.77%**의 시간 동안 올바르게 경계 지켰으며 (목표 오율 10% 대비), 이는 이론적 보장과 일치합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 보수성 완화: 기존 안전 제어의 과도한 보수성을 줄이면서도, 복잡한 학습 기반 모델 (DNN 등) 을 사용하는 적응 제어 시스템에 대해 **분포 독립적 (Distribution-free)**이고 **모델 무관 (Model-agnostic)**한 안전 보장을 제공합니다.
• 실용성: 상태 미분이라는 물리적 제약이 있는 실제 로봇 시스템 (쿼드콥터 등) 에 적용 가능한 실용적인 솔루션을 제시했습니다.
• 확장성: 제안된 방법은 선형 파라미터 모델부터 최신 딥러닝 기반 적응 제어까지 다양한 적응 법칙에 적용 가능합니다.
• 향후 과제: 섭동 미분에 대한 가정 완화, 부분 관측 상태 (Partial Observability) 하의 상태 추정 오차 정량화, 그리고 이중 제어 (Dual Control) 를 통한 능동적 불확실성 감소 연구가 필요하다고 언급했습니다.

요약하자면, 이 논문은 측정 불가능한 미분 정보를 우회하고 지연된 정보를 활용하는 '스태거드 적분' 방식을 통해, 복잡한 적응 제어 시스템이 장기적으로 안전을 보장받으면서도 유연하게 작동할 수 있는 새로운 이론적 틀과 알고리즘을 제시한 획기적인 연구입니다.