기술 요약: 임의의 불확실성 하의 분포 강건 안전성

문제 정의

자율 로봇 시스템의 안전성 보장은 비선형 동역학, 작동 한계, 모델 불일치, 지각 오류, 외란 등으로 인한 불확실성으로 인해 복잡해집니다. 안전 필터(또는 "게이트키퍼")는 안전이 위협받을 때 고성능 명목 정책에서 인증된 백업 정책으로 전환함으로써 모듈식 솔루션을 제공하지만, 기존 접근 방식은 분포적 모호성 하에서 상당한 한계에 직면해 있습니다.

현재 방법들은 일반적으로 다음 중 하나에 의존합니다:

1. 강건 안전 필터: 과도하게 보수적일 수 있는 최악의 결정론적 경계를 가정합니다.
2. 확률론적 안전 필터: 알려진 특정 외란 분포 (예: 가우시안) 를 가정하며, 실제 분포가 알려지지 않았거나 부분적으로 관측되었거나 이동한 (분포 이동) 경우 실패합니다.
3. 분포 강건 (DR) 계획: 유망하지만, 일반적인 비선형 시스템에 대한 안전 필터에 DR 제약 조건을 직접 통합하는 것은 계산적으로 불가능합니다. 이는 종종 모호성 집합 내의 최악의 분포에 대한 고차원 최적화 문제를 해결해야 하므로 실시간 구현을 불가능하게 만듭니다.

이 논문에서 다루는 핵심 과제는 온라인 DR 궤적 최적화의 계산 비용을 들이지 않고, 실제 노이즈 분포가 알려지지 않은 임의의 불확실성 구조(비가산, 비아핀) 하에서 일반적인 비선형 시스템에 대한 확률론적 안전 보장을 제공하는 방법입니다.

방법론: DRS-gatekeeper

저자들은 백업 기반 안전 필터링 프레임워크를 확장한 실시간 안전 필터인 **분포 강건 확률론적 게이트키퍼 (DRS-gatekeeper)**를 제안합니다. 이 방법은 Wasserstein 모호성 집합과 유한 표본 통계 분석을 결합하여 안전성을 인증합니다.

핵심 아키텍처

시스템은 고성능 명목 정책 ($\pi_N$) 과 사전 검증된 백업 정책 ($\pi_B$) 사이를 전환하여 작동합니다. 백업 정책은 특정 안전 집합 $\mathcal{C}$를 높은 확률로 전방 불변 (forward-invariant) 으로 만드도록 설계됩니다 ( $\alpha$-확률론적 제어 불변 집합). 목표는 안전이 훼손되기 전에 백업 정책으로 전환되도록 보장하면서 가능한 한 오랫동안 명목 정책을 유지하는 것입니다.

주요 기술 구성 요소

1. 분포 강건 확률 제약 (DRCC):
   단일 명목 분포 $\hat{P}_t$에 대해 최적화하는 대신, 이 방법은 반지름 $\beta$인 $\infty$-Wasserstein 거리로 정의된 모호성 집합 $\mathcal{B}_\beta(\hat{P}_t)$에 대해 안전성을 보장합니다. 이 집합은 사용 가능한 데이터와 일치하는 모든 분포를 포함합니다. 목표는 다음을 만족하는 것입니다:
   $$\inf_{Q \in \mathcal{B}_\beta(\hat{P}_t)} \Pr_{w \sim Q} [\text{안전성}] \geq 1 - \varepsilon$$

2. 전환 시간 탐색을 통한 차원 축소:
   온라인에서 고차원 DR 최적화 문제를 해결하는 대신, 저자들은 백업 기반 필터링의 구조를 활용합니다. 안전 인증 문제는 명목 정책과 백업 정책 사이의 전환 시간 $s_t$에 대한 1 차원 탐색으로 축소됩니다.

3. 유한 표본 보장을 갖는 샘플링 기반 인증:
   이 방법은 몬테카를로에서 영감을 받은 접근 방식을 사용합니다:

   • 병렬 롤아웃: 각 후보 전환 시간 $m$에 대해 알고리즘은 명목 분포 $\hat{P}_t$에서 $N$개의 독립적인 노이즈 궤적 샘플을 생성합니다.
   • Wasserstein 팽창 임계값: 모호성 집합에서 직접 샘플링하지 않고 이를 고려하기 위해, 알고리즘은 각 롤아웃에 대해 안전 마진 $H$를 계산합니다. 그런 다음 $H < 0$일 때뿐만 아니라 $H < L_H \beta$일 때 "실패"를 카운트합니다. 여기서 $L_H$는 안전 함수의 리프시츠 상수이고 $\beta$는 모호성 반지름입니다. 이는 모호성 집합 내의 최악의 분포를 커버하기 위해 실패 집합을 효과적으로 팽창시킵니다 (Lemma 1).
   • 통계적 경계: 관측된 실패 횟수를 사용하여 이항 분포와 사용자가 지정하는 신뢰 수준 $1-\delta$를 사용하여 실제 실패 확률의 상한을 계산합니다.
   • 선택: 알고리즘은 실패 확률에 대한 통계적 상한이 임계값 $(\varepsilon - \alpha)/(1 - \alpha)$ 아래에 유지되도록 가장 늦은 전환 시간 $s_t$를 선택합니다.

이론적 보장

이 논문은 안전 함수의 리프시츠 연속성과 유효한 백업 정책의 존재에 대한 가정이 성립한다면, DRS-gatekeeper 가 확률 $1-\delta$ 이상으로 DRCC 를 만족한다는 공식적 증명 (Theorem 1) 을 제공합니다. 이 보장은 궤적 차원이나 샘플 수 $N$에 무관하지만, $N$은 필터의 보수성에 영향을 미칩니다.

주요 기여

1. DRS-gatekeeper 알고리즘: 임의의 외란 구조와 분포적 모호성을 갖는 비선형 시스템을 위한 실시간 안전 필터 도입.
2. 유한 표본 증명: 지정된 신뢰 수준으로 최악의 실패 확률의 상한을 계산함으로써 Wasserstein 모호성 집합 하의 확률론적 안전 증명을 유도.
3. 계산 효율성: 무한 차원 DR 안전 문제를 1 차원 탐색으로 재구성하여 병렬 샘플링을 통한 실시간 구현 가능.
4. 실증적 검증: Dubins 차량, F1 레이싱 카, F-16 전투기 등 복잡도가 증가하는 세 가지 서로 다른 도메인에서 방법론 입증.

실험 결과

저자들은 DRS-gatekeeper 를 기본 방법들 (분포 강건 제어 장벽 함수인 DR-CBF 및 모델 예측 경로 적분 제어인 MPPI 포함) 과 비교하는 시뮬레이션을 통해 검증했습니다.

• Dubins 차량: DR-CBF 와 비교하여 DRS-gatekeeper 는 다양한 실패 확률 ($\varepsilon$) 과 모호성 반지름 ($\beta$) 에서 훨씬 높은 안전률 (파라미터에 따라 15-75% 대비 최대 100%) 을 달성했습니다. 일부 경우 목표 도달 시간이 약간 더 길었으나, 이 방법은 더 신뢰할 수 있는 안전 - 성능 트레이드오프를 제공했습니다.
• F1 레이싱 카: 복잡하고 비가우시안인 경험적 불확실성을 가진 고차원 (7-상태) 시나리오에서:
  • 가우시안 노이즈 하에서 DRS-gatekeeper 는 MPPI 의 92% 대비 96% 안전률을 유지했습니다.
  • 경험적 노이즈 (분포 이동을 시뮬레이션) 하에서 MPPI 의 안전률은 76% 로 떨어졌으나, DRS-gatekeeper 는 94% 안전률을 유지했습니다.
  • 이 방법은 최소한의 백업 개입 (<1.5%) 과 실시간 제어에 적합한 계산 시간 (~21 ms) 으로 이러한 결과를 달성했습니다.
• F-16 전투기: 난류와 모델 잔차가 있는 좁은 협곡을 비행하는 12-상태, 4-입력 시나리오에서:
  • 기본 최적 궤적 추적 방법은 40% 의 안전률만 달성했습니다 (전체 지평을 고려할 때 88% 이지만 여전히 95% 목표 미만).
  • DRS-gatekeeper 는 안전률을 88% 로 개선했습니다 (반복당 95% 를 목표로 하며 누적 효과를 고려함). 백업 사용률은 13.9% 로 낮았고 계산 오버헤드는 12.2 ms 로 미미했습니다.
  • 이 방법은 이 시스템에 DR-CBF 를 적용할 수 없게 만든 높은 상대 차수와 입력 제약을 성공적으로 처리했습니다.

중요성 및 주장

이 논문은 DRS-gatekeeper 가 온라인 DR 최적화의 계산적 부담 없이 임의의 불확실성 구조와 분포 이동을 처리할 수 있는 능력을 통해 자율 안전의 중요한 격차를 해소한다고 주장합니다. 백업 기반 아키텍처와 Wasserstein 기반 강건성을 활용함으로써, 이 방법은 전통적인 강건 또는 확률론적 필터가 실패하거나 너무 보수적인 복잡하고 고차원인 비선형 시스템에 대한 엄격한 확률론적 안전 보장을 제공합니다. 저자들은 실제 노이즈 분포가 알려지지 않았거나 비정상적인 시스템, 예를 들어 난류 하의 고속 레이싱이나 공중 기동에서 이 접근 방식이 특히 중요하다고 강조합니다.