기술 요약: 제약 신경 아키텍처 및 쿠퍼만 연산자를 통한 안전 데이터 기반 제어 및 동적 학습

1. 문제 정의

안전-중요 제어 시스템에 학습 기반 모델을 배포하는 것은 근본적인 난관에 직면해 있습니다. 표준 회귀 아키텍처는 안정성과 안전성에 대한 수학적 보장을 제공하지 않기 때문입니다. 자율 주행 차량 및 로봇 매니퓰레이터와 같은 영역에서 시스템은 비선형성, 시간 지연, 그리고 매개변수 변동을 나타내며, 이는 분석적 설명을 거부합니다. 신경 상미분 방정식 (Neural ODEs) 과 쿠퍼만 연산자 방법 (예: 확장 동적 모드 분해, EDMD) 은 데이터로부터 시스템 궤적을 학습하는 능력을 향상시켰지만, 일반적으로 안정성이나 안전성에 대한 형식적 증명서를 제공하지는 못합니다. 결과적으로 훈련 분포에서는 잘 작동하는 모델도 분포 변화나 적대적 교란 하에서 발산할 수 있어, 신뢰할 수 있는 배포에는 부적합합니다.

본 논문은 추측이 아닌 계산 가능한 안정성 증명서를 생성하는 데이터 기반 프레임워크의 필요성을 다룹니다. 구체적인 목표는 다음과 같습니다:

1. 수렴: 학습된 모델은 전역적으로 수축되어야 하며, 서로 다른 초기 조건에서 출발한 궤적이 지수적으로 수렴하도록 보장해야 합니다.
2. 다양체 제한: 예측은 물리적으로 허용 가능한 다양체 (예: 도로 마찰 또는 하중 제약을 준수) 내에 유지되어야 합니다.
3. 입력 - 상태 안정성 (ISS): 외부 교란에서 상태 오차로의 매핑은 계산 가능한 $L_2$-이득을 갖는 ISS 여야 하며, 이는 유계 교란에 대한 강인성을 정량화합니다.

2. 방법론

저자들은 ControlSynth 신경 ODE, ICODE 아키텍처, 측정 유도 번들 구조, 그리고 쿠퍼만 ISS 검증을 통합한 네 가지 구성 요소로 이루어진 통합 파이프라인을 제안합니다.

A. 번들 제약이 있는 ControlSynth 신경 ODE

미지의 시스템 드리프트는 **ControlSynth 신경 ODE(CSODE)**로 매개변수화됩니다. 이 아키텍처는 처리 가능한 선형 행렬 부등식 (LMIs) 을 통해 전역 수렴을 강제합니다.

• 구조: 잠재 상태 역학은 $\dot{z} = A_\theta z + \Phi_\theta(z, \xi) + B_\theta u$로 정의되며, 여기서 $\Phi_\theta$는 비선형 모드 결합을 포착하는 보조 서브 네트워크입니다.
• 안정성 제약: $\Phi_\theta$에 2 차 섹터 조건 (Persidskii-type 부등식) 이 부과됩니다. 이는 특정 메트릭에서 야코비안이 균일하게 음의 정부호임을 보장하여 LMIs 를 통해 전역 수렴을 증명합니다.
• 번들 제약: 물리적 제약을 강제하기 위해 섬유 번들 (fiber bundle) 프레임워크가 통합됩니다. 인코더 $\Phi(x, \xi)$는 환경 조건에 따른 섬유에서 벗어난 잠재 예측을 패널티하는 번들 인식 손실로 훈련됩니다. 이는 지역 감지 조건에 적응하는 측정 인식 제어 장벽 함수 (CBFs) 를 유도합니다.

B. ICODE: 외생 입력 모델링

ICODE 아키텍처는 CSODE 를 전문화하여 외생 환경 입력 ($\xi$, 예: 바람, 마찰) 을 숨겨진 매개변수가 아닌 명시적인 인수로 모델링합니다.

• 이는 상태와 $\xi$ 사이의 이선형 결합 항을 도입하여, 유효 시스템 행렬이 물리적으로 해석 가능한 방식 (예: 타이어 - 도로 마찰에 따른 감쇠 행렬 이동) 으로 조절되도록 합니다.
• 다양한 환경에 걸친 균일 수축을 위한 충분 조건은 결합된 LMIs 를 통해 유도됩니다.

C. 쿠퍼만 ISS 검증

신경 ODE 대안으로, 본 논문은 EDMD 를 통한 데이터 기반 쿠퍼만 표현을 활용합니다.

• 검증: 식별 절차를 수정하는 대신, 논문은 사후 검증 단계를 적용합니다. 교란에서 상태 오차로의 $L_2$-이득이 유계임을 증명하기 위해 볼록 LMI 의 실현 가능성을 확인합니다.
• 민감도 분석: 새로운 명제는 최적 ISS 이득 ($\gamma^\star$) 이 사전자 절단 오차와 함께 어떻게 저하되는지 정량화하여 사전자 설계에 대한 지침을 제공합니다.

D. ICODE-MPPI 제어기

인증된 모델은 모델 예측 경로 적분 (MPPI) 제어기에 내장됩니다.

• 메커니즘: 연속 시간 잔여 ICODE 네트워크는 명목 예측기에 추가되어 확률적 롤아웃 중 모델링되지 않은 드리프트를 보상합니다.
• 분산 감소: 이론적 분석 (명제 2) 은 유계 ISS 이득을 갖는 인증된 예측기를 사용하면 MPPI 롤아웃에서 비용 샘플의 분산이 제한됨을 보여줍니다. 이는 인증되지 않은 순환 네트워크에서 발생하는 "분산 폭발"을 방지하여 더 매끄럽고 신뢰할 수 있는 제어 업데이트로 이어집니다.

3. 주요 기여

본 논문은 기존 도구들을 통합 파이프라인으로 종합하고 구체적인 이론적 및 실용적 추가 사항을 제공합니다:

1. 결합 안정성 분석: ControlSynth 의 수렴 증명서와 번들 제약이 결합된 신경 ODE 모델의 ISS 를 함축하며 명시적 이득 공식을 제공하는 증명 (정리 1).
2. 쿠퍼만 민감도 결과: 사전자 확장이 ISS 증명서를 단조롭게 개선 (또는 유지) 함을 보여주는 형식화 (명제 1) 로, 사전자 구성에 대한 실용적 지침을 제공합니다.
3. 분산 감소 이론: 더 엄격한 ISS 증명서가 감소된 MPPI 롤아웃 분산과 연결됨을 보여주는 증명 (명제 2) 으로, 확률적 제어 루프에서 인증된 예측기의 사용을 이론적으로 정당화합니다.
4. 종합 검증: 각 구조적 제약의 기여를 분리하는 제거 실험을 포함한 두 가지 벤치마크 (차량 경로 추적 및 비선형 기계 진동자) 에 대한 수치 실험.

4. 실험 결과

본 프레임워크는 시간 변화 마찰과 바람에 노출된 운동학적 자전거 모델과 더핑 진동자 (Duffing oscillator) 라는 두 가지 벤치마크에서 평가되었습니다. Vanilla NODE, 인증되지 않은 쿠퍼만, 쿠퍼만 + ISS, 그리고 전체 CSODE-ICODE-MPPI 파이프라인 등 네 가지 방법이 비교되었습니다.

• 성능: 전체 파이프라인은 Vanilla NODE 기준 대비 차량 벤치마크에서 61% 의 추적 RMSE 감소를 달성했으며, 더핑 진동자 벤치마크에서는 54% 감소를 기록했습니다.
• 강인성: 지속적인 교란 하에서 전체 파이프라인은 모든 교란 수준에서 가장 낮은 평균 제곱근 오차 (RMSE) 를 유지했습니다. 인증되지 않은 방법들은 초선형 오차 저하 또는 간헐적 발산을 보였습니다.
• 안정성 보장: LMI 실현 가능성률은 모든 테스트 에피소드에서 **100%**였으며, 이는 모델이 분포 변화 하에서도 안정성 보장을 유지했음을 확인시켜 주었습니다.
• 제거 실험: 개별 구성 요소 (번들 제약, ICODE 결합, 또는 ISS 인증) 를 제거하면 성능이 크게 저하되거나 (RMSE 18–22% 증가) 비용 분산이 증가 (3.1 배) 하여, 각 구성 요소가 시스템의 강인성에 독립적으로 기여함을 확인시켜 주었습니다.
• 실시간 실현 가능성: 전체 파이프라인은 8.3ms 의 단계 시간 (CSODE 통합에 의해 지배됨) 으로 작동하여 20Hz 실시간 제어 예산에 comfortably 적합했습니다.

5. 중요성 및 주장

본 논문은 표현력 있는 데이터 기반 모델링과 엄격한 안전 보장 사이의 간극을 해소한다고 주장합니다. 주요 중요성은 다음과 같습니다:

• 계산 가능한 증명서: 추측된 안정성을 넘어 볼록 최적화 (LMIs) 를 통한 명시적이고 계산 가능한 ISS 증명서를 제공하는 것.
• 통합 프레임워크: 신경 ODE, 기하학적 번들 구조, 그리고 쿠퍼만 이론을 단일 엔드 - 투 - 엔드 제어 아키텍처로 성공적으로 결합한 것.
• 실제 배포: 이러한 이론적 보장이 매개변수 불확실성과 지속적인 교란 존재 하에서 추적 정확도와 강인성의 실질적인 향상으로 이어지며, 실시간 성능을 희생하지 않고 달성되었음을 입증한 것.

저자들은 현재 프레임워크가 유계 결정론적 신호를 처리하지만, 검증 파이프라인을 확률적 교란으로 확장하고 자동 리아푸노프 만족을 위한 입력 볼록 신경 네트워크를 탐구하는 것은 향후 연구의 열린 방향이라고 언급합니다.