기술 요약: 공중 조작을 위한 교차 결합 및 정세 의존적 동역학 학습

문제 제기

다중로터 차량과 관절형 로봇 팔을 결합한 공중 조작기는 강한 쿼드콥터-조작기 결합, 지연된 공기역학적 상호작용, 그리고 정세 의존적 변동으로 인해 동역학 모델링에 상당한 어려움을 겪습니다. 이러한 변동은 하중 변화(예: 들기 및 놓기)와 조작기 재구성에 기인하며, 동시에 교차 결합되고, 역사 의존적이며, 비정상적인 잔여 동역학을 초래합니다.

기존 접근법은 이 분야에서 어려움을 겪습니다:

• 해석적 모델은 종종 복잡한 관성 및 공기역학적 결합을 포착하지 못합니다.
• 순수 오프라인 학습 모델(예: 표준 DNN, GP) 은 배포 중 운영 정세의 변화로 인한 분포 이동을 적응하지 못해 성능이 저하됩니다.
• 온라인 적응 방법은 종종 경사 하강법(신중한 튜닝이 필요하고 샘플 효율성이 낮음) 또는 전체 네트워크 재학습(계산 오버헤드 유발) 에 의존합니다. 또한, 많은 기존 방법들은 강한 교차 변수 결합과 급격한 정세 의존적 비정상성을 동시에 해결하지 못합니다.

핵심 과제는 상태 변수 간의 긴밀한 결합과 시간적 의존성을 포착하는 잔여 동역학을 모델링하면서, 실시간 제어 성능을 훼손하지 않고 보이지 않는 운영 조건에 대한 신속하고 안정적인 온라인 적응을 가능하게 하는 것입니다.

방법론

저자들은 적응형 잔여 동역학 학습을 위한 구조화된 인코더-디코더 프레임워크를 제안합니다.该系统은 잔여 동역학 $f_\Delta$ 를 학습된 잠재 특징의 선형 결합으로 근사합니다: $f_\Delta(H_k) \approx \Theta z_k$.

1. 비선형 잠재 인코더 (오프라인 학습)

인코더 $\phi(\cdot)$ 는 최근 상태 - 입력 궤적을 포함하는 역사 행렬 $H_k$ 를 처리합니다. 이는 문제 분석에서 식별된 두 가지 특정 특성을 포착하도록 설계되었습니다:

• 교차 변수 결합: 시간 세그먼트 내의 서로 다른 상태 및 입력 채널 간의 의존성을 계산하는 교차 변수 어텐션 블록을 통해 모델링됩니다.
• 시간적 의존성: 시간 단계 전반에 걸쳐 지연된 효과(예: 공기역학적 와류, 작동기 동역학) 를 포착하는 시간적 어텐션 블록을 통해 모델링됩니다.
• 아키텍처: 인코더는 교차 시간 및 교차 변수 어텐션 레이어를 교대로 사용한 후, 어텐션 기반 풀링과 투영 네트워크를 거쳐 컴팩트한 잠재 표현 $z_k \in \mathbb{R}^\ell$ 을 생성합니다. 이 인코더는 오프라인으로 학습되며 배포 중에는 고정됩니다.

2. 선형 잠재 디코더 (온라인 적응)

디코더 행렬 $\Theta$ 는 잠재 특징을 잔여 목표에 매핑합니다. 핵심적으로, 모델은 $\Theta$ 에 대해 매개변수 선형이므로 효율적인 폐쇄형 베이지안 업데이트가 가능합니다.

• 재귀적 업데이트: 디코더 매개변수는 매개변수 공간에서 칼만 필터를 사용하여 재귀적으로 업데이트됩니다. 매개변수 진화는 랜덤 워크로 모델링되어 추정기가 시간 변화 동역학을 추적할 수 있게 합니다.
• 일관성 주도 공분산 팽창: 급격한 정세 이동(예: 하중 방출) 을 처리하기 위해 시스템은 정규화 이노베이션 점수(예측된 잔여와 관측된 잔여 간의 마할라노비스 거리) 를 모니터링합니다.
  • 이 점수 ($g_k$) 의 지수 가중 이동 평균 (EWMA) 은 지속적인 불일치를 감지합니다.
  • 불일치가 감지되면 적응형 공분산 팽창 메커니즘이 사전 공분산을 $1/\lambda_k$ (여기서 $\lambda_k < 1$) 인자로 스케일링합니다. 이는 추정기를 재설정하지 않고 적응을 가속화하기 위해 칼만 이득을 증가시키는 적응형 망각 인자로 효과적으로 작용합니다.

3. 모델 예측 제어 (MPC) 통합

학습된 잔여 모델은 비선형 MPC 프레임워크에 내장됩니다. 예측 구간 동안 인코더는 고정되며, 잔여는 디코더의 현재 사후 평균에 기반한 일정한 가산 보정으로 처리됩니다. 이 공식화는 모델링되지 않은 동역학을 고려하면서도 실시간 제어를 위한 계산적 실현 가능성을 보장합니다.

주요 기여

1. 비선형 잔여 표현 학습: 교차 변수 결합과 시간적 의존성을 명시적으로 모델링하는 역사 의존적 잠재 인코더로, 순간적 또는 순수 시간적 모델의 한계를 해결합니다.
2. 온라인 정세 적응형 잔여 추정: 경량 폐쇄형 베이지안 적응을 가능하게 하는 선형 잠재 디코더 구조. 일관성 주도 공분산 팽창의 포함은 비정상적인 공중 조작의 특성에 맞춰, 과도기적 및 서서히 변화하는 동역학 변화 모두에 대한 신속하고 안정적인 적응을 가능하게 합니다.

실험 결과

이 프레임워크는 하중 방출 및 궤적 전환과 관련된 두 가지 도전적인 시나리오 하에서 실제 공중 조작기 플랫폼 (Tarot-650 쿼드콥터와 2R 직렬 링크 조작기) 에서 검증되었습니다:

• 개루프 예측: 제안된 "풀 구조화" 인코더는 DNN, TCN, 시간 전용 인코더와 같은 베이스라인보다 낮은 RMSE(0.18 대 0.21–0.34) 로 성능이 우수하여 교차 변수 및 시간적 상호작용을 모두 모델링할 필요성을 입증했습니다.
• 디코더 제거 실험: 완전 적응형 디코더 (일관성 주도 팽창 포함) 는 고정 디코더, 표준 베이지안 업데이트, 고정 망각 인자 방법에 비해 급격한 동역학 이동 (하중 낙하) 후 가장 낮은 RMSE 와 가장 빠른 회복을 달성했습니다.
• 궤적 추적: 폐루프 MPC 실험에서 제안된 방법은 명목 모델, 오프라인 DNN, 확산 기반 모델 및 기타 온라인 적응 베이스라인 (예: Active MLP, Proto-MPC) 보다 우수한 성능을 발휘했습니다. 분포 내 및 분포 외 하중 조건 모두에서 우수한 외란 거부 및 추적 정확도를 보여주었습니다.

중요성 및 주장

이 논문은 공중 조작기의 정확한 모델링에는 결합된 시간 동역학과 배포 시간 비정상성의 공동 모델링이 필요하다고 주장합니다. 제안된 프레임워크는 복잡한 표현 학습 (비선형 인코더가 오프라인으로 처리) 을 적응 메커니즘 (선형 디코더가 온라인으로 처리) 에서 분리함으로써 이를 해결합니다.

저자들은 그들의 접근 방식이 다음을 가능하게 한다고 강조합니다:

• 급격한 변화에 대한 신속한 적응(하중 방출과 같은): 공격적인 경사 기반 학습과 종종 관련된 불안정성 없이 가능합니다.
• 명목 조건 하에서의 안정적인 추정: 불일치가 감지되지 않을 때 베이지안 업데이트의 보수적인 특성으로 인해 가능합니다.
• MPC 와의 실시간 호환성: 온라인 업데이트는 계산적으로 효율적 ($O(d\ell^2)$) 이고 인코더 추론은 단계당 한 번 수행되기 때문입니다.

결과들은 구조화된 역사 인코딩과 적응형 공분산 팽창을 결합하는 것이 변화하고 예측 불가능한 운영 정세에서 신뢰할 수 있는 공중 조작을 위한 강력한 해결책을 제공함을 강조합니다.