⚡ electrical engineering

Safe Large-Scale Robust Nonlinear MPC in Milliseconds via Reachability-Constrained System Level Synthesis on the GPU

이 논문은 GPU 병렬 처리와 시스템 레벨 합성 (SLS) 을 결합하여 고차원 불확실성 하에서도 20 밀리초 이내에 안전하고 강인한 비선형 모델 예측 제어 (MPC) 를 실시간으로 수행할 수 있는 'GPU-SLS' 프레임워크를 제안합니다.

원저자: Jeffrey Fang, Glen Chou

게시일 2026-04-10

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jeffrey Fang, Glen Chou

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"거대한 로봇을 안전하게, 그리고 순식간에 조종하는 새로운 방법"**을 소개합니다.

기존의 로봇 제어 기술은 로봇이 복잡해지거나(다리가 많거나 몸집이 크거나), 장애물이 많을수록 계산이 너무 느려져 실시간으로 대응하지 못했습니다. 마치 수천 개의 퍼즐 조각을 손으로 하나씩 맞추느라 시간이 너무 오래 걸리는 상황과 비슷했죠.

저자들은 이 문제를 해결하기 위해 GPU(그래픽 카드) 의 강력한 병렬 처리 능력을 활용하여, **"GPU-SLS"**라는 새로운 시스템을 개발했습니다.

이 시스템을 이해하기 쉽게 세 가지 비유로 설명해 드릴게요.

1. 문제 상황: "혼잡한 도로에서의 운전"

로봇이 길을 가려면 두 가지 일을 동시에 해야 합니다.

경로 계획: "어디로 갈까?" (장애물을 피하고 목표에 도달하는 길 찾기)
안전 장치: "갑자기 바람이 불거나 미끄러지면 어떻게 하지?" (예상치 못한 충격에 대비해 안전 마진을 두는 것)

기존 기술은 이 두 가지를 따로따로, 그리고 한 번에 하나씩 계산했습니다. 로봇의 상태가 60~70 개나 되는 복잡한 로봇 (예: 4 발 달린 개나 인간형 로봇) 이라면, 이 계산을 다 끝내려면 몇 초가 걸려서 로봇이 넘어지거나 벽에 부딪힐 때까지 기다려야 했습니다.

2. 해결책: "수천 명의 군대가 동시에 퍼즐을 푸는 방법"

이 논문은 **GPU(그래픽 카드)**를 활용했습니다. CPU 는 똑똑한 장군 한 명처럼 순서대로 일을 처리하지만, GPU 는 수천 명의 병사처럼 동시에 일을 처리합니다.

저자들은 이 수천 명의 병사들에게 다음과 같은 전략을 세웠습니다.

비유 1: "나란히 걷는 행진" (병렬 처리)
기존 방법은 "1 단계 계산 → 2 단계 계산 → 3 단계 계산"처럼 순서대로 걸었습니다. 하지만 이 방법은 "1 단계부터 100 단계까지 모든 병사가 동시에 계산을 시작해서, 마지막에 결과를 합친다"는 방식입니다. 마치 수천 명이 동시에 퍼즐 조각을 맞추는 것처럼, 계산 시간을 획기적으로 줄였습니다.
비유 2: "예측 가능한 안전망" (Reachability)
로봇이 길을 갈 때, "만약 갑자기 미끄러지면 얼마나 멀리 날아갈까?"를 미리 계산해서 **안전한 터널 (Reachable Set)**을 그려줍니다.
- 기존 방법: "미끄러질까 봐 너무 걱정해서 아주 좁은 길만 걷는다." (비효율적)
- 이 방법: "정확히 얼마나 미끄러질지 계산해서, 최대한 넓지만 안전한 길을 찾는다." (효율적이고 안전함)
  이 계산을 GPU 가 순식간에 해내서, 로봇이 실시간으로 "지금 이 길은 안전해!"라고 판단하게 합니다.
비유 3: "계산의 재사용" (Caching)
매번 처음부터 계산을 다시 할 필요 없이, 이미 계산된 부분 (인수분해 등) 을 기억해 두었다가 다음 단계에서 바로 꺼내 씁니다. 이는 레스토랑에서 미리 준비된 재료를 써서 요리 속도를 10 배로 높이는 것과 같습니다.

3. 결과: "20 밀리초 만에 결정하는 초고속 로봇"

이 기술을 적용한 결과는 놀랍습니다.

속도: 기존 컴퓨터 (CPU) 로는 몇 초 걸리던 계산을 20 밀리초 (0.02 초) 만에 해결했습니다. 이는 눈 깜짝할 사이입니다.
규모: 다리가 4 개인 로봇 (61 차원) 이나 인간형 로봇 (75 차원) 처럼 매우 복잡한 로봇도 실시간으로 제어할 수 있게 되었습니다.
안전성: 실험 결과, 100% 안전을 보장했습니다. 장애물과 충돌한 사례가 단 한 번도 없었습니다. 반면, 인공지능 학습에 의존하는 다른 방법들은 가끔 안전을 보장하지 못해 로봇이 벽에 부딪히기도 했습니다.

4. 실제 실험: "현장에서 증명된 기술"

저자들은 이 기술을 실제 하드웨어에 적용했습니다.

Unitree Go2 EDU(4 발 로봇): 장애물이 가득한 미로 같은 공간에서 50Hz(초당 50 번) 로 제어하며 장애물을 피하고 성공적으로 이동했습니다.
Humanoid(인간형 로봇): 복잡한 동작을 하며 장애물을 피하는 시뮬레이션에서도 완벽하게 작동했습니다.

요약

이 논문은 **"로봇이 복잡한 세상에서 안전하게, 그리고 아주 빠르게 움직일 수 있도록, GPU 의 힘을 빌려 계산 속도를 비약적으로 높이고 안전 장치를 자동으로 만들어주는 새로운 시스템"**을 제안합니다.

마치 혼잡한 도시에서 운전을 하다가, 갑자기 수천 명의 조종사가 동시에 교통 상황을 분석하고 가장 안전하고 빠른 길을 0.02 초 만에 찾아주는 내비게이션이 생긴 것과 같습니다. 이제 로봇은 더 이상 느리고 위험하게 움직이지 않아도 됩니다.

1. 연구 배경 및 문제 정의 (Problem Statement)

배경: 장기적인 로봇 운영을 위해서는 안전성과 작업 제약을 만족하는 궤적과 제어기를 실시간으로 합성하고, 외부 교란에 대한 강건성을 검증할 수 있는 방법이 필수적입니다.
현재의 한계:
- 비선형 모델 예측 제어 (NMPC): 고차원 로봇 (예: 보행 로봇, 60 개 이상의 상태 변수) 에서는 계산 비용이 너무 커서 실시간 제어에 부적합합니다.
- 도달성 분석 (Reachability Analysis): 고차원 시스템 (약 10 개 이상의 상태 변수 이상) 에서는 비선형 도달성 분석이 계산적으로 불가능 (intractable) 해집니다.
- 데이터 기반 방법: 확장성은 좋지만, 안전성 보장이 불확실하거나 실제 환경에서 안전을 위반할 위험이 있습니다.
- 기존 GPU 가속화 방법: 대부분 부등식 제약 (inequality constraints) 과 도달성 분석을 무시하여 불확실성 하에서의 안전성을 보장하지 못합니다.
핵심 문제: 고차원 불확실성 로봇 시스템과 긴 계획 시간 범위 (long planning horizons) 에서 안전성 (Reachability) 과 강건한 제어 (Robust Control) 를 동시에 보장하면서 밀리초 단위로 계산 가능한 실시간 NMPC 프레임워크의 부재.

2. 제안 방법론 (Methodology: GPU-SLS)

저자들은 GPU-SLS라는 GPU 병렬화 프레임워크를 제안합니다. 이 방법은 NMPC 와 시스템 레벨 합성 (System Level Synthesis, SLS) 을 결합하여 불확실성 하에서의 안전성을 보장합니다.

A. 핵심 아이디어

국소 동역학 선형화: 제약 궤적 계획과 도달성 분석을 GPU 친화적인 행렬 연산으로 변환합니다.
ADMM 기반 최적화: 교대 방향 승수법 (ADMM) 을 사용하여 제약 궤적과 강건한 추적 제어기를 공동으로 최적화합니다.
병렬 연산 가속:
- 병렬 연관 스캔 (Parallel Associative Scans, PAS): 시간 축 (Horizon) 을 분할하여 로그 깊이 (logarithmic-depth) 로 연산을 병렬화합니다.
- 인자화 캐싱 (Factorization Caching): ADMM 반복 과정에서 불변인 행렬 인자화를 캐싱하여 재사용합니다.

B. 알고리즘 구조

비선형 MPC (NMPC) 단계 (SQP 루프):
- 비선형 동역학과 제약을 선형화하여 2 차 계획 문제 (QP) 로 변환합니다.
- GPU 가속 ADMM QP 솔버: 선형 시간 가변 (LTV) QP 를 해결하기 위해 역방향 병렬 연관 스캔을 사용하여 리카티 (Riccati) 재귀를 병렬화합니다.
- 성능: 상태/제어 차원 ( $n_x, n_u$ ) 과 시간 범위 ( $N$ ) 에 대해 $O(\log N \log^2 n_x + \log^2 n_u)$ 의 복잡도를 가집니다. (기존 $O(N(n_x^3 + n_u^3))$ 대비 획기적 개선)
강건한 제어기 합성 (SLS) 단계:
- 교란 피드백 제어기 (Disturbance-feedback controller) 를 설계하여 폐루프 도달 가능 집합 (Closed-loop reachable set) 을 계산합니다.
- SLS 를 통해 도출된 도달성 마진 (Margins) 을 사용하여 NMPC 의 제약 조건을 강화 (Constraint Tightening) 합니다.
- 이 과정 또한 GPU 에서 병렬 연관 스캔을 통해 $O(\log N \log^2 n_x + \log^2 n_u)$ 복잡도로 해결됩니다.
실시간 반복 (Real-Time Iteration, RTI):
- 각 제어 단계에서 SQP 반복을 한 번만 수행하여 선형화 정확도를 일부 희생하더라도 계산 속도를 극대화합니다.
- 이전 단계의 결과를 워밍업 (Warm-start) 으로 사용하여 실시간 성능을 달성합니다.

3. 주요 기여 (Key Contributions)

GPU 가속 ADMM 기반 LQR 솔버: 인자화 캐싱과 병렬 연관 스캔을 활용한 부등식 제약이 있는 LQR 솔버 개발.
실시간 NMPC 방법: SQP 루프 내의 GPU LQR 솔버를 임베딩하여 비선형 부등식 제약 궤적 최적화를 $O(\log N \log^2 n_x + \log^2 n_u)$ 비용으로 수행.
통합 도달성 및 제어 합성: SLS 를 통해 실시간 도달성 분석, 궤적 최적화, 교란 피드백 합성을 통합한 방법론 제시.
대규모 문제 검증: 75 차원 (Humanoid) 및 61 차원 (Quadruped) 시스템에서 20 만 개 이상의 의사결정 변수와 8 만 개의 제약 조건을 처리하며, 기존 방법 대비 안전성과 속도에서 우위를 입증.

4. 실험 결과 (Results)

계산 성능:
- NMPC 궤적 계산: 최신 CPU 솔버 대비 97.7% 단축, 기존 GPU 솔버 대비 71.8% 단축.
- SLS 기반 제어 및 도달성: 기존 방법 (FastSLS) 대비 237 배 가속화.
- 실시간 성능: 고차원 비선형 시스템 (Humanoid 75D, Quadruped 61D) 에서 평균 20 밀리초 이내에 강건한 제어 정책을 합성.
- 확장성: 시간 범위 (Horizon) 가 3,000 에 달하고 의사결정 변수가 $2 \times 10^5$ 개, 제약 조건이 $8 \times 10^4$ 개인 문제도 해결 가능.
안전성 및 실증:
- 안전성 달성률: 고차원 학습 기반 도달성 베이스라인 (DeepReach 등) 과 달리 100% 의 경험적 안전성 달성 (충돌 0 회).
- 하드웨어 검증:
  - Unitree Go2 EDU (Quadruped, 61D): 장애물 필드를 50Hz 로 실시간 통과.
  - Humanoid (75D): MuJoCo 시뮬레이션 및 하드웨어 실험에서 장애물 회피 및 강건한 보행 성공.
- 비교: 기존 CPU 기반 솔버 (OSQP 등) 는 고차원/긴 시간 범위에서 계산이 불가능하거나 매우 느렸으나, 제안된 방법은 실시간으로 안정적으로 작동.

5. 의의 및 결론 (Significance)

계산 병목 현상 해소: 고차원 로봇 시스템의 실시간 강건 제어에 대한 계산적 병목 현상을 GPU 병렬화와 효율적인 알고리즘 (ADMM, SLS, PAS) 을 통해 해결했습니다.
안전성과 속도의 동시 달성: 기존에는 안전성 (Reachability) 을 보장하려면 속도가 느려지거나, 속도를 내면 안전성이 희생되는 트레이드오프가 존재했으나, 이 방법은 두 가지를 모두 달성했습니다.
실제 적용 가능성: 4 발 보행 로봇과 휴머노이드와 같은 복잡한 실제 로봇 시스템에서 장애물 회피 및 정밀 제어를 실시간으로 수행할 수 있음을 하드웨어 실험을 통해 입증했습니다.
미래 전망: 이 프레임워크는 자율 주행, 드론, 복잡한 보행 로봇 등 고차원 불확실성 환경에서의 안전하고 실시간인 제어 시스템 개발의 새로운 표준을 제시합니다.

이 논문은 GPU-SLS를 통해 대규모 비선형 강건 MPC 문제를 밀리초 단위로 해결함으로써, 안전이 최우선인 고차원 로봇 시스템의 실시간 제어 가능성을 크게 확장시켰습니다.