기술 요약: 연속 시간 잔차 학습을 통한 차량의 강인한 경로 추적: ICODE-MPPI 접근법

1. 문제 제기

비구조화되거나 교란된 환경에서 작동하는 자율 지상 차량 (AGV) 은 정밀한 경로 추적과 선제적 장애물 회피가 필요합니다. 모델 예측 제어 (MPC) 는 표준 패러다임이지만, 그 경계 기반의 특성상 비볼록 비용 지형에서 종종 어려움을 겪습니다. 모델 예측 경로 적분 (MPPI) 제어는 복잡한 비선형 동역학과 제약을 처리할 수 있는 강인한 미분 자유 샘플링 기반 대안으로 등장했습니다.

그러나 MPPI 의 효과는 근본적으로 모델 - 플랜트 불일치에 의해 제한됩니다. 제어 법칙은 샘플링된 궤적에 대한 기대값에 의존하므로, 명목 전방향 동역학 모델이 부정확하면 결과적인 롤아웃이 편향됩니다. 이는 비최적 제어 시퀀스, 지속적인 추적 오프셋, 그리고 고주파수 제어 진동 (chattering) 을 초래합니다. 멀티 레이어 퍼셉트론 (MLP) 과 가우시안 프로세스 (GP) 와 같은 기존 데이터 기반 솔루션들은 다음과 같은 도전에 직면합니다: MLP 는 종종 이산 시간 전이에서 물리적 일관성이 부족하고, GP 는 실시간 최적화를 위해 과도한 계산 오버헤드를 수반합니다. 또한, 연속 시간 안정성 보장 학습 방법을 MPPI 의 확률적 샘플링 아키텍처와 통합하는 것은 여전히 해결되지 않은 과제입니다.

2. 방법론: ICODE-MPPI 프레임워크

저자들은 ICODE-MPPI를 제안합니다. 이는 **입력 동반 신경 상미분 방정식 (ICODEs)**을 MPPI 예측 지평선에 통합하여 모델링되지 않은 잔차 동역학을 학습하고 보상하는 하이브리드 프레임워크입니다.

A. 잔차 모델링을 위한 ICODE 아키텍처

입력을 알려지지 않은 매개변수로 취급하는 표준 신경 ODE 와 달리, 제안된 ICODE 아키텍처는 학습된 동역학에 **제어-아핀 사전 (control-affine prior)**을 부과합니다. 이는 잔차 항이 제어 입력이 상태 도함수에 선형적으로 들어가는 로봇 시스템의 물리적 구조와 정렬되도록 보장합니다. 학습된 잔차 동역학 $f_{res}$는 다음과 같이 정의됩니다:

$$\dot{x}_{res}(t) = f_{\theta}(x(t)) + \sum_{j=1}^{m} g_{\theta,j}(x(t))u_j(t)$$

여기서:

• $f_{\theta}(x)$는 상태 의존적 자율 드리프트 (예: 모델링되지 않은 마찰, 항력) 를 나타냅니다.
• $g_{\theta,j}(x)$는 제어 의존적 이득 필드 (예: 작동기 효율) 를 나타냅니다.

이 아핀 분해는 완전 연결 블랙박스 네트워크에 비해 강력한 귀납적 편향을 제공하여 샘플 효율성과 일반화를 향상시킵니다. MPPI 롤아웃에 사용되는 총 예측 동역학은 명목 차량 모델 ($f_{nom}$) 과 학습된 잔차의 합으로 구성됩니다:
$$\dot{x}_{pred}(t) = f_{nom}(x(t), u(t)) + f_{res}(x(t), u(t); \theta)$$

B. MPPI 와의 통합

ICODE 모델은 MPPI 전방향 예측 모듈에 직접 내장됩니다. 샘플링 단계 동안, 제어기는 증강된 명목-ICODE 동역학을 사용하여 수천 개의 잠재적 궤적을 시뮬레이션합니다. 이를 통해 시스템은 실시간으로 환경 교란과 모델링되지 않은 힘을 예측하여, 발생 후 반응하는 대신 잔차 오차를 선제적으로 보상할 수 있습니다.

C. 반복적 데이터 집계 및 학습

운영 범위 전반에 걸쳐 고정밀 모델링을 보장하기 위해, 저자들은 반복적 데이터 집계 프레임워크를 사용합니다:

1. 무작위 탐색 ($D_{rand}$): 차량을 무작위 제어 입력으로 자극하여 광범위한 물리적 응답과 안정성 경계를 포착합니다.
2. 작업별 데이터 ($D_{task}$): 학습이 진행됨에 따라 MPPI 제어기는 현재 모델을 사용하여 경로 추종 작업을 수행하고, 온-정책 상태 - 행동 전이를 수집합니다.
3. 학습 루프: 데이터셋 $D = D_{rand} \cup D_{task}$는 RK4 솔버를 통해 다단계 예측 오차를 최소화하는 데 사용됩니다. 업데이트된 모델은 MPPI 플래너에 다시 배포되어 모델링 불확실성을 지속적으로 줄이는 자기 수정 피드백 루프를 생성합니다.

3. 주요 기여

이 논문은 세 가지 주요 기여를 요약합니다:

1. 잔차 동역학 프레임워크: ICODE 와 반복적 데이터 집합에 기반한 연속 시간 잔차 학습 프레임워크를 개발하여 불확실성을 포착하면서도 높은 물리적 일관성을 유지합니다.
2. 선제적 보상: 학습된 ICODE 모델을 MPPI 예측 지평선에 통합하여 시스템이 환경 교란을 보상하고 명목 모델에 내재된 정상 상태 추적 드리프트를 완화하도록 합니다.
3. 종합 벤치마킹: 상태 변수 Root Mean Square Error (RMSE) 와 제어율 확률 밀도를 활용하여 표준 MPPI 베이스라인 대비 ICODE-MPPI 를 엄격하게 평가함으로써 우수한 추적 정밀도와 제어 부드러움을 입증합니다.

4. 실험 결과

이 프레임워크는 위치와 진행 방향에 영향을 미치는 복합 정현파 신호로 모델링된 지속적이고 시간에 따라 변하는 외부 교란 하에서 세 가지 복잡한 궤적 (타원, 정현파, 8 자형) 에 대한 고정밀 시뮬레이션에서 평가되었습니다.

A. 추적 정밀도

• 오차 감소: ICODE-MPPI 는 횡방향 추적 오차를 크게 감소시켰습니다. 타원 궤적에서 Y 방향 오차는 표준 MPPI 대비 최대 **69%**까지 감소했습니다.
• 드리프트 억제: 표준 MPPI 는 지속적인 정상 상태 오프셋을 보이며 곡률 변곡점에서 심각한 오버슈팅을 일으킨 반면, ICODE-MPPI 는 횡방향 교란을 예측하여 참조 경로에 대한 긴밀한 추종성을 유지했습니다.
• 트레이드오프 분석: 저자들은 일부 경우 ICODE-MPPI 에서 요 (Yaw, 진행 방향) RMSE 가 약간 증가했다고 지적합니다. 이는 의도적인 제어 전략에 기인합니다: 제어기는 횡방향 교란에 대한 엄격한 공간 (X, Y) 안전을 위해 더 공격적인 진행 방향 조정을 수행하여 위치 정확도를 위해 완벽한 진행 방향 정렬을 희생합니다.

B. 제어 부드러움과 안정성

• 진동 감소: 가속도 및 조향의 변화율인 제어 저크 (jerk) 분석 결과, 표준 MPPI 는 넓은 분포와 평평한 피크를 보여 심각한 제어 진동을 나타냈습니다. 반면, ICODE-MPPI 는 조향율에서 제로 (zero) 에서 더 높은 피크와 더 좁은 분포를 보여주어 훨씬 더 부드러운 조향 명령과 감소된 진동을 의미했습니다.
• 종방향 - 횡방향 결합: 저자들은 조향 부드러움이 개선되었지만, 특정 시나리오에서 ICODE-MPPI 의 가속도율 분포가 약간 더 넓어졌음을 관찰했습니다. 이는 횡방향 - 종방향 결합에 의해 물리적으로 정당화됩니다: 중대한 교란 하에서 횡방향 안전을 유지하기 위한 공격적인 조향 보정은 횡방향 타이어 힘을 유발하여 전방 운동량의 약간의 손실을 초래하므로, 참조 속도를 유지하기 위해 더 빈번한 종방향 가속도 조정이 필요합니다.

5. 중요성과 주장

이 논문은 ICODE-MPPI 가 이상화된 모델링과 실제 세계 교란 사이의 간극을 연결함으로써 강인한 경로 추적에서 중요한 진전을 이루었다고 주장합니다. 연속 시간 안정성 보장 잔차 학습을 활용함으로써, 이 프레임워크는 다음과 같은 특징을 가집니다:

• 물리적 일관성 유지: 이산 시간 학습기와 달리 ICODE 는 MPPI 예측 지평선 전반에 걸쳐 시간적 연속성과 물리적 일관성을 유지합니다.
• 강인성 향상: 제어 진동을 효과적으로 억제하고 정상 상태 드리프트를 완화하여 더 부드러운 조향 명령과 교란이 심한 환경에서 우수한 성능을 발휘합니다.
• 전략적 트레이드오프: 시스템은 절대적인 위치 안전을 위해 경미한 과도기적 진행 방향 편향을 교환할 수 있는 전략적 능력을 보여주며, 이는 강인한 자율 항해에 필수적입니다.

저자들은 이 방법이 시뮬레이션에서 우수한 성능을 보이지만, 향후 연구는 동적 장애물 회피를 포함하도록 프레임워크를 확장하고 물리적 스케일 모델 차량에서 실시간 성능을 검증하는 데 초점을 맞출 것이라고 결론지었습니다.