⚡ electrical engineering

Maximal Controlled Invariant-MPC: Enhancing Feasibility and Reducing Conservatism through Terminal CBF Constraint in Safety-Critical Control

본 논문은 안전-중요 시스템의 실현 가능성 향상, 보수성 감소, 도달 가능 상태 집합 확장을 위해 제어 장벽 함수(CBF) 를 종단 제약 조건으로 통합하는 모델 예측 제어(MPC) 프레임워크를 제안하며, 동시에 최적화 문제의 계산 효율적인 웜-스타팅을 가능하게 합니다.

원저자: Tanmay Dokania, Yashwanth Kumar Nakka

게시일 2026-05-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Tanmay Dokania, Yashwanth Kumar Nakka

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

차가 빽빽하고 안개가 자욱한 숲을 운전한다고 상상해 보세요. 목표는 가능한 한 빠르고 매끄럽게 목적지에 도달하는 것이지만, 절대 나무에 부딪히지 않아야 합니다.

로봇공학과 자율주행차의 세계에서는 이것이 안전-중요 제어 (Safety-Critical Control) 의 과제입니다. 컴퓨터는 안전을 유지하면서도 효율성을 확보하기 위해 매 순간 (조금씩) 무엇을 해야 할지 (조향, 가속, 제동) 결정해야 합니다.

이 논문은 이러한 컴퓨터가 사고하는 새로운 방식을 소개하며, 이를 MPC-MCI라고 부릅니다. 이것이 왜 특별한지 이해하기 위해 '구식 방식'과 '신식 방식'을 비교해 보겠습니다.

구식 방식: 과도하게 보호하는 수호자

차에 매우 불안해하는 수호자처럼 행동하는 안전 시스템이 있다고 상상해 보세요. 이 수호자는 나무들이 있는 정확한 위치 (즉, '위험 구역') 를 알고 있습니다. 나무에 부딪히지 않도록 100% 확신하기 위해, 수호자는 나무들 주위에 거대하고 보이지 않는 거품을 그립니다.

규칙: "이 거품 안에서만 운전할 수 있습니다. 이 거품 밖으로 나가는 것만 생각해도, 제가 급제동을 걸 것입니다."
문제: 이 거품은 실제 나무들보다 훨씬 큰 경우가 많습니다. 이는 차가 나무와 충분히 멀리 떨어져 있어야만 하게 만듭니다. 나무에 더 가까이 다가가도 전혀 안전할 때조차 말입니다. 이를 보수적 (conservative) 이라고 합니다. 안전하긴 하지만, 차를 느리고 어색하게 운전하게 만들어 단축경을 이용하거나 좁은 공간을 통과하지 못하게 합니다.
기술적 용어: 논문에서 이는 '알려진 안전 집합 (Known Safe Set, $X_{safe}$ )'이라고 불립니다. 구식 방법들 (예: NMPC-DCBF) 은 차가 여정 중 매 단일 단계에서 이 작고 안전한 거품 안에 머물도록 강제합니다.

신식 방식: 전략적 항해자

이 논문의 저자들은 더 지능적인 접근법을 제안합니다. 매 순간 당황하는 수호자 대신 전략적 항해자를 상상해 보세요.

규칙: "지금 당장 나무에 부딪히지 않는 한 자유롭게 운전할 수 있습니다. 다만, 다음 몇 초가 끝나는 시점에 반드시 안전하게 멈추거나 피할 수 있는 위치에 있을 것임을 제가 알아야 합니다."
마법: 항해자는 차가 나무에 더 가까이 다가가도록 허용합니다 (심지어 구식 수호자가 위험하다고 생각했던 구역까지). 이는 매 순간이 아니라 계획의 끝에서만 '안전 보장'을 확인하기 때문입니다.
기술적 용어: 이는 '최대 제어 불변 집합 (Maximal Controlled Invariant Set, $X^*_{safe}$ )'입니다. 이는 차가 실제로 추락 없이 갈 수 있는 더 크고 정확한 지도입니다. 새로운 방법 (MPC-MCI) 은 '종단 제약 (Terminal Constraint)'을 사용하는데, 이는 차가 예측의 마지막 단계에서만 안전 구역에 착륙하도록 강제한다는 의미입니다.

비유: 줄타기 예술가

협곡을 건너는 줄타기 예술가를 생각해 보세요.

구식 방법: 예술가에게 "매 단일 단계에서 중심선에서 5 피트 이내에 있어야 합니다"라고 말합니다. 이는 안전하지만, 걷기를 뻣뻣하고 느리게 만듭니다. 그들은 균형을 이용해 회전할 수 없습니다.
신식 방법: 예술가에게 "다른 쪽에 도달했을 때 단단한 땅에 확실히 서 있을 것임을 알기만 한다면, 원하는 만큼 기우뚱거리고 흔들어도 됩니다"라고 말합니다. 이는 예술가가 여전히 추락하지 않을 것임을 보장하면서도 더 역동적이고 빠르고 효율적으로 움직일 수 있게 합니다.

논문이 실제로 발견한 것

저자들은 단순히 이론만 제시한 것이 아니라, '원자전거 (사이클처럼 움직이는 로봇으로, 옆으로 움직이기 어렵기 때문에 까다로움)'의 컴퓨터 시뮬레이션에서 이를 테스트했습니다.

움직일 공간 증가: 그들은 새로운 방법이 로봇이 추락하지 않고 출발할 수 있는 위치를 훨씬 더 많이 허용한다는 것을 발견했습니다. 테스트에서 로봇이 '갇힌' (안전한 경로를 찾을 수 없는) 위치의 수는 1.7 배에서 2.7 배까지 감소했습니다.
시간에 따른 개선: 로봇에게 더 많은 생각 시간 (더 긴 '예측 구간') 을 주면, 새로운 방법은 경로를 찾는 능력이 점점 더 좋아졌습니다. 반면 구식 방법은 전혀 나아지지 않았으며, 보수적인 거품 안에 갇혀 있었습니다.
'불가능'한 경로: 그들은 로봇이 구식 방법의 '위험 구역' 안을 통과해야 하는 시나리오를 만들었습니다. 구식 방법은 그곳으로 가기를 거부했습니다. 반면 새로운 방법은 로봇이 결국 안전하게 회복할 수 있음을 깨닫고 해당 경로를 성공적으로 항해했습니다.

이것이 중요한 이유 (논문에 따르면)

논리는 이 방법이 보수적이지 않다 (덜 제한적이다) 고 주장하면서도 여전히 증명 가능한 안전성을 유지한다고 합니다.

안전성: 로봇이 결코 장애물에 부딪히지 않을 것임을 보장합니다.
효율성: 로봇이 더 직접적이고 빠르고 매끄러운 경로를 취할 수 있게 합니다.
속도: 수학이 특정 방식으로 구조화되어 있기 때문에 컴퓨터가 문제를 더 빠르게 해결할 수 있으며, 이는 실시간 운전에서 중요합니다.

간단히 말해, 논문은 이렇게 말합니다. "장애물 주위에 거대하고 무서운 거품을 그리는 것을 멈추세요. 대신 로봇이 결승선에서 안전하게 착륙하는 방법을 알기만 하면 됩니다. 이렇게 하면 로봇은 실제로 추락하지 않으면서도 더 잘, 더 빠르게, 그리고 가장자리 가까이 운전할 수 있습니다."

기술적 요약: 최대 제어 불변-MPC

문제 제기
안전-중요 제어 시스템은 종종 제약 조건을 강제하기 위해 제어 장벽 함수 (CBF) 에 의존합니다. 그러나 고차 시스템에 대해 최소한의 보수성을 갖는 CBF 를 구성하는 것은 계산적으로 비실용적입니다. 결과적으로 표준 접근법은 종종 과도하게 보수적인 안전 집합 ( $X_{safe}$ ) 을 초래하여 시스템을 진정한 최대 제어 불변 안전 집합 ( $X^*_{safe}$ ) 의 부분집합으로 제한합니다. 이러한 보수성은 복잡한 항법 작업에서 시스템이 알려진 위험 영역 ( $X_{avoid}$ ) 의 경계 근처에서 작동해야 할 때 시스템의 최적성과 실현 가능성을 저하시킵니다. CBF 를 통합한 기존 모델 예측 제어 (MPC) 공식화는 단기적인 기하학적 제약에 의존하거나, 슬랙 변수와 감쇠율 조정이 필요하거나, 다단계 준 CBF 제약을 부과하는 경우가 많아, 예측 시간 지평이 증가함에 따라 보수성을 줄이거나 도달 가능 집합을 확장한다는 공식적 보장을 제공하지 못하는 경우가 많습니다.

방법론
저자들은 과도기적 안전과 말단 불변성을 분리하여 보수성을 줄이면서도 공식적 안전 보장을 유지하는 MPC-MCI(최대 제어 불변 제약이 포함된 모델 예측 제어) 라는 새로운 MPC 공식을 제안합니다.

공식화: 최적화 문제는 다음 조건 하에 예측 시간 지평 $N$ 에 걸쳐 표준 비용 함수를 최소화합니다:
- 과도기적 제약: 모든 단계 $k \in \{0, \dots, N-1\}$ 에 대해 부호화된 거리 함수 $d(x)$ 가 음이 아니게 ( $d(x_{t+k}) \ge 0$ ) 강제됩니다. 이는 예측 시간 지평 동안 시스템이 알려진 위험 집합 $X_{avoid}$ 에 결코 진입하지 않도록 보장합니다.
- 말단 제약: 단일 단계 제어 장벽 함수 제약이 말단 상태에만 부과됩니다 ( $h(x_{t+N}) \ge 0$ ). 이는 말단 상태를 최대 제어 불변 집합 $X^*_{safe}$ 의 부분집합인 알려진 안전 집합 $X_{safe}$ 내에 고정시킵니다.
이론적 보장:
- 재귀적 실현 가능성: 저자들은 $t=0$ 에서 문제가 실현 가능하면 모든 $t > 0$ 에 대해 실현 가능함을 보여주는 구성적 증명을 제공합니다. 이 증명은 $X_{safe}$ 가 제어 불변이라는 사실에 의존합니다. 즉, 말단 상태에 도달한 후에는 시스템을 무한히 $X_{safe}$ 내에 유지할 수 있는 유효한 제어 시퀀스가 존재합니다.
- 안전성: 폐루프 궤적이 $X \setminus X_{avoid}$ 의 최대 제어 불변 부분집합인 $X^*_{safe}$ 내에 머무르는 것이 증명되어, 궤적이 일시적으로 CBF 값이 음수 ( $h < 0$ ) 인 영역에 진입하더라도 부호화된 거리가 양수 ( $d \ge 0$ ) 인 경우에도 안전이 보장됩니다.
- 도달 가능성 향상: 도달 가능성 분석을 통해 MPC-MCI 의 1 단계 도달 가능 집합이 예측 시간 지평 $N$ 이 증가함에 따라 단조롭게 확장됨을 논문은 입증합니다. 반면, 이전 방법 (특히 NMPC-DCBF) 의 도달 가능 집합은 지평 길이와 무관하게 정적으로 유지됩니다.
계산 효율성: 실현 가능성 증명의 구성적 성격은 비선형 최적화의 워밍업 (warm-starting) 을 가능하게 합니다. 최적화기는 이전에 계산된 궤적에 복구 제어 정책을 추가한 것을 초기 추정치로 사용합니다. 이는 실현 가능성 보장을 희생하지 않으면서 계산 시간을 크게 단축시킵니다.

주요 기여

최적화 프레임워크: 기존 연구 [3, 4] 의 한계를 해결하고 시스템을 최대 제어 불변 안전 부분집합 내에 유지함으로써 안전을 보장하는 재귀적 실현 가능성을 갖는 MPC 프레임워크 개발.
감소된 보수성: 이 방법은 미래의 안전을 보장하기 위해 초기 실현 가능성만 요구하므로, 기하학적으로 안전 ( $d \ge 0$ ) 한 경우라면 보수적인 $X_{safe}$ 외부 (즉, $X^*_{safe} \setminus X_{safe}$ 내부) 영역에서 시스템이 작동할 수 있게 합니다.
단순화된 제약: 2 단계 준 CBF [7] 나 감쇠율이 있는 슬랙 변수 [4] 를 사용하는 접근법과 달리, MPC-MCI 는 시간 지평을 따라 단일 말단 CBF 제약과 거리 제약을 부과하여 파라미터 조정 (예: $\gamma$ ) 이나 보조 제약 함수의 필요성을 제거합니다.
구성적 증명: 재귀적 실현 가능성에 대한 구성적 증명을 제공하여 워밍업을 가능하게 하고, 계산을 크게 가속화합니다.
도달 가능성 분석: 이전 NMPC-DCBF 공식화에서는 보장되지 않았던 예측 시간 지평이 증가함에 따라 실현 가능 집합과 도달 가능 집합이 확장된다는 것을 공식적으로 입증합니다.

결과
제안된 방법은 원형 장애물이 있는 2 차원 비홀로노믹 유니사이클 시스템에 대한 시뮬레이션을 통해 검증되었습니다.

실현 가능성 향상: NMPC-DCBF 접근법과 비교하여 실현 불가능한 초기 상태의 수가 1.74 배에서 2.73 배까지 감소했습니다. 구체적으로, 고속 사례에서 실현 불가능한 점은 5,560 개에서 2,034 개로 감소했습니다.
지평 의존성: 예측 시간 지평 $N$ 이 증가함에 따라 (2 에서 21 로), MPC-MCI 의 실현 가능 상태 비율은 단조롭게 증가했습니다 (예: 사례 1 에서 0.74 에서 0.84 로). 반면 NMPC-DCBF 의 실현 가능 비율은 일정하게 유지되었습니다.
궤적 추적: 시스템은 CBF 의 "위험" 영역 ( $h < 0$ ) 에 완전히 위치했지만 기하학적으로 안전 ( $d \ge 0$ ) 한 참조 궤적을 성공적으로 추적했습니다. 보수적인 NMPC-DCBF 는 이 궤적을 추적하지 못해 크게 벗어나거나 너무 느리게 이동했습니다.

의의
본 논문은 전체 시간 지평을 따라 CBF 제약을 강제하는 대신 말단 상태에 안전성을 고정하는 것이 보수적인 CBF 설계로 인해 손실된 최적성을 회복하는 원칙적인 방법이라고 주장합니다. 과도기적 안전을 위해 부호화된 거리 함수를 활용하고 말단 불변성을 위해만 CBF 를 활용함으로써, MPC-MCI 공식화는 "알려지지 않은 안전성" ( $X^*_{safe} \setminus X_{safe}$ ) 영역으로 진입하는 궤적을 허용하는 증명 가능한 안전 제어기를 달성합니다. 이 접근법은 슬랙 변수, 감쇠율 조정, 복잡한 다단계 제약을 제거하여 비선형 시스템의 안전-중요 제어에 대해 계산 효율적이고 덜 보수적인 대안을 제공합니다.