VISION-SLS: Safe Perception-Based Control from Learned Visual Representations via System Level Synthesis

다음은 "VISION-SLS: System Level Synthesis 를 통한 학습된 시각 표현 기반의 안전한 지각 제어" 논문에 대한 상세한 기술 요약입니다.

1. 문제 정의

이 논문은 부분 관측성 하에서 작동하며 고차원 시각 입력(예: RGB 이미지)을 사용하는 로봇을 위한 안전한 비선형 출력 피드백 제어의 과제를 다룹니다.

• 핵심 난제: 로봇은 노이즈가 포함된 고차원 센서 데이터만을 사용하여 비선형 동역학을 안정화하고 안전 제약 조건 (예: 충돌 회피) 을 만족해야 합니다.
• 기존 방법의 한계:
  • 강화 학습 (RL): 고차원 문제에 확장 가능하지만 안전성 보장과 해석 가능성이 부족합니다.
  • 모델 기반 제어 (MPC, SOS): 안전성 보장을 제공하지만 일반적으로 분리 원칙(추정과 제어가 분리됨)에 의존합니다. 이는 로봇이 불확실성을 줄이기 위해 이동하는 '정보 수집' 행동 (능동적 지각) 을 방해하여, 가려짐에 대한 강건성을 저해합니다.
  • 신뢰 공간 계획 (Belief-Space Planning): 불확실성을 처리하지만 고차원 시스템에서는 계산이 불가능하거나 비선형 동역학 하에서 경직된 제약 조건을 강제하지 못합니다.

목표는 원시 픽셀에서 직접 정보 수집 행동을 가능하게 하면서 강건한 제약 조건 만족 보장을 제공하는 확장 가능한 프레임워크를 개발하여 지각과 제어를 결합하는 것입니다.

2. 방법론: VISION-SLS

제안된 방법인 VISION-SLS는 학습된 시각 표현을 **시스템 레벨 합성 (System Level Synthesis, SLS)**과 통합합니다. 이는 상태 불확실성을 능동적으로 줄이는 피드백 정책과 명목 궤적을 공동 최적화함으로써 분리 원칙을 피합니다.

A. 주요 구성 요소

1. 학습된 저차원 관측 맵:

   • 픽셀 공간 ($10^5+$ 차원) 에서 계획하는 대신, 이 방법은 고차원 이미지를 저차원 축소 관측 공간 ($y_r$) 으로 매핑합니다.
   • 아키텍처: 사전 학습된 DINO(자기 지도 학습 비전 파운데이션 모델) 특징을 사용한 후, 학습된 투영 네트워크 $p(\cdot)$를 적용합니다.
   • 학습 목적: 투영된 특징과 상태 기반 축소 모델 $h_r(x)$ 간의 오차를 최소화하면서, 근본적인 상태의 관측 가능성을 최대화합니다 (축소된 특징에 제어 관련 정보가 포함되어 있음을 보장).
   • 보정: 학습된 맵과 실제 상태 간의 잔여 오차를 한정하기 위해 상태 의존적 오차 상한 (overbound) 이 경험적으로 보정됩니다. 이를 통해 시스템은 지각 오차를 한정된 외란으로 간주할 수 있습니다.

2. 비선형 시스템 레벨 합성 (SLS):

   • 제어 정책은 공동 최적화된 명목 궤적 $(z, v)$ 주변의 인과적 아핀 시간 가변 출력 피드백 정책으로 매개변수화됩니다.
   • SLS 매개변수화: 피드백 게인을 직접 최적화하는 대신, SLS 는 외란 (프로세스 노이즈, 측정 노이즈, 지각 오차) 을 상태 및 입력 편차로 매핑하는 폐루프 응답 맵($\Phi$) 을 최적화합니다.
   • 강건한 제약 조건 만족: 이 방법은 "튜브 강화 (tube tightening)"를 강제합니다. 보정된 범위 내의 모든 가능한 외란에 대해 실제 궤적이 안전 제약 조건을 만족하는 " Reachable tube" 내에 머무르도록 보장합니다. 이는 오차의 최악의 경우 전파에 기반하여 명목 궤적의 제약 조건을 강화함으로써 달성됩니다.

3. 효율적인 솔버 (Double-Riccati + SCP):

   • 비선형 동역학과 궤적 및 제어기의 결합으로 인해 결과적인 최적화 문제는 비볼록합니다.
   • 순차적 볼록 프로그래밍 (SCP): 문제는 현재 명목 궤적 주변에서 동역학을 선형화하고 제약 조건을 볼록화하여 반복적으로 해결됩니다.
   • Double-Riccati 구조: 주요 이론적 기여는 제약 조건이 없는 부분 문제 (SLS 형태의 LQG) 가 Double-Riccati 해를 허용함을 보이는 것입니다. 이를 통해 솔버는 제어용 병렬 역 Riccati 재귀와 추정을 위한 칼만 재귀를 수행한 후 순방향 통과를 통해 최적 폐루프 응답을 계산할 수 있습니다. 이 구조는 범용 볼록 솔버보다 훨씬 빠른 속도를 제공하여 대규모 시스템으로 확장 가능하게 합니다.

3. 주요 기여

1. 새로운 제어기 매개변수화: 비선형 시스템에 대해 비선형 궤적 최적화와 출력 피드백 SLS 를 결합한 최초의 방법으로, 안전 보장을 갖춘 강건한 정보 수집 제어를 가능하게 합니다.
2. 동역학 인식 시각 추상화: 제어 관측 가능성에 최적화된 파운데이션 모델 특징 (DINO) 에서 저차원 관측 맵을 학습하는 방법과 함께 보정된 상태 의존적 오차 상한을 제공합니다.
3. 효율적인 솔버: 제약 조건이 없는 출력 피드백 SLS 를 위한 Double-Riccati 해를 유도하여, 병렬 재귀를 활용하여 고차원 로봇 공학 문제를 처리하는 확장 가능한 솔버를 가능하게 합니다.
4. 실증적 검증: 고해상도 RGB 이미지를 사용하여 4 차원 차량, 10 차원 쿼드콥터, 59 차원 휴머노이드, 그리고 실제 TurtleBot 등 다양한 시스템에 성공적으로 배포되었습니다.

4. 결과

이 방법은 네 가지 시뮬레이션 작업과 하나의 하드웨어 실험에서 Certainty Equivalent (CE) 및 Non-Robust (NR) 기준선과 비교하여 평가되었습니다.

• 성능 지표:
  • 성공률 (SR): VISION-SLS 는 모든 시뮬레이션 작업 (Light-Dark, 4D Car, Quadrotor, Humanoid) 에서 **100%**의 성공률을 달성했습니다.
  • 제약 조건 위반률 (CVR): VISION-SLS 는 0% (또는 0% 에 근접) 의 제약 조건 위반을 유지했습니다. 반면, 기준선들은 크게 실패했습니다:
    • 4D Car: 기준선들은 6.5%~55% 의 위반률을 보였습니다.
    • Quadrotor: 비강건 기준선은 92.8% 의 위반률을 보였습니다.
    • Humanoid: 비강건 기준선은 98% 의 위반률을 보였습니다.
• 정보 수집: "Light-Dark" 및 "Occluded Parking Lot" 시나리오에서 VISION-SLS 는 도달 가능 튜브의 크기를 줄이기 위해 지각 불확실성이 낮은 영역 (예: 중첩된 가려짐 회피) 으로 로봇을 능동적으로 조종한 반면, CE 기준선은 불확실성이 높은 영역을 통과하여 더 큰 튜브와 제약 조건 위반을 초래했습니다.
• 확장성 및 속도:
  • 이 방법은 백플립을 수행하는 59 상태 휴머노이드(Unitree G1) 를 성공적으로 제어했습니다.
  • Double-Riccati 구조 덕분에 솔버는 범용 SLS 솔버 (예: MOSEK) 보다 훨씬 빨라, 초당 30~60 단계의 계획 지평선을 가능하게 했습니다.
• 하드웨어 검증: 이 방법은 온보드 카메라가 장착된 TurtleBot에 배포되어 사무실 환경을 성공적으로 항해하고 장애물을 회피했으며, 안전성과 해결 시간 면에서 기준선들을 능가했습니다.

5. 의의

• 학습과 제어의 연결: VISION-SLS 는 학습된 시각 추상화가 모델 기반 제어와 엄격하게 결합되어 경직된 안전 보장을 제공할 수 있음을 보여주며, 순수 RL 의 "블랙박스" 성격을 넘어섰습니다.
• 능동적 지각: 분리 원칙을 거부함으로써 로봇이 자신의 상태 추정을 개선하는 (정보 수집) 결정을 내릴 수 있게 하여, 부분 관측 가능한 실제 환경에서의 강건한 운영에 필수적인 능력을 제공합니다.
• 확장성: SCP 프레임워크 내에서의 Double-Riccati 구조 사용은 엄격한 안전 인증 제어가 이전에 불가능했던 고차원 시스템 (예: 휴머노이드) 에 대해 실용적인 안전 비선형 시각 기반 제어를 가능하게 합니다.
• 실용성: 성공적인 하드웨어 배포는 실제 세계의 노이즈, 지연, 모델링되지 않은 동역학 존재 하에서도 이론적 보장이 유효함을 입증합니다.

요약하자면, VISION-SLS 는 고차원 지각의 복잡성과 안전-중요 로봇 공학의 엄격한 요구 사항 사이의 균형을 효과적으로 처리하는 확장 가능하고 이론적으로 기반을 둔 안전한 비주얼모터 제어 파이프라인을 제공합니다.