Input-to-State Stable Bundle Koopman Neural ODEs for Learning Controlled Dynamics under Environmental Constraints

기술 요약: 환경적 제약 조건 하에서의 학습 제어 역학을 위한 ISS-BKNO

문제 정의
본 논문은 변화하는 환경 조건 하에서 작동하는 제어된 비선형 동역학 시스템을 위해, 정확하고 인증 가능한 안정성을 가진 모델을 학습하는 과제를 다룹니다. 기존의 접근 방식들은 일반적으로 안정성, 외적 입력, 또는 환경적 제약을 개별적으로 처리합니다. 구체적으로:

• Koopman 방법은 선형 표현을 제공하지만, 딥러닝을 사용할 때 명시적인 스펙트럼 구조를 상실하는 경우가 많아 안정성 인증이 복합해집니다.
• Stable Neural ODE는 연속적 깊이 모델을 제공하지만, 분포 변화(distributional shifts)나 외부 외란에 대한 보증이 부족한 경우가 빈번합니다.
• **환경 인지 학습(Environment-aware learning)**은 기하학적 제약(파이버, fibers)과 역학을 분리하면서 전역 수렴 보증을 유지하는 데 어려움을 겪습니다.

저자들은 다음을 동시에 제공하는 방법론의 공백을 식별했습니다: (i) 기하학적 파이버와 역학을 분리하는 환경 조건부 잠재 좌표계; (ii) 세미데피니트 프로그래밍(semidefinite program)을 통해 검증 가능한 입력-상태 안정성(ISS) 인증; (iii) 이러한 속성들을 공동으로 강제하는 통합된 학습 목적 함수.

방법론: ISS-BKNO 프레임워크
제안된 프레임워크인 ISS-BKNO(Input-to-State Stable Bundle Koopman Neural ODE)는 Koopman 연산자 식별, Neural ODE, 파이버 번들 기하학, 그리고 ISS 인증을 세 단계의 리프팅 파이프라인으로 통합합니다:

1. 번들 인식 인코더 (Bundle-Aware Encoder):
   물리적 상태 $x$와 환경 신호 $\xi$는 리프팅된 공간 $Z$ 내의 파이버 $F_\xi$로 매핑됩니다. 이 인코더 $\Phi(x, \xi)$는 서로 다른 환경에 대한 잠재 표현들이 파이버 번들 구조 $\pi: Z \to E$를 준수하며 기하학적으로 분리되도록 보장합니다.

2. 환경 조건부 Koopman 백본 (Environment-Conditioned Koopman Backbone):
   잠재 상태는 $\Psi(z)$를 통해 관측 공간 $\psi$로 추가 리프팅됩니다. 역학은 다음과 같이 모델링됩니다:
   $$\dot{\psi} = K(\xi)\psi + B(\xi)u + r_\theta(\psi, u, \xi)$$
   여기서 $K(\xi)$와 $B(\xi)$는 환경 $\xi$에 의해 조건화된 행렬입니다 (작은 MLP 헤드에 의해 생성됨). 결정적으로, $K(\xi)$는 Persidskii 유형의 분해를 사용하여 구조적으로 Hurwitz가 되도록 매개변수화됩니다:
   $$K(\xi) = -\frac{1}{2}Q(\xi)^\top Q(\xi) + S(\xi)$$
   여기서 $S(\xi)$는 반대칭(skew-symmetric) 행렬입니다. 이는 $K(\xi)$의 대칭 부분이 음의 준정부호(negative semi-definite)임을 보장하여, 명목 해(nominal solution)를 향한 수축을 보장합니다.

3. 잔차 Neural ODE 보정 (Residual Neural ODE Correction):
   잔차 항 $r_\theta$는 선형 근사를 보정합니다. 이 항의 자코비안(Jacobian)은 이차 섹터 바운드(quadratic sector bound)를 만족하도록 제약되어, 비선형성이 안정성 조건을 위반하지 않도록 합니다.

안정성 인증 및 학습
프레임워크는 Lyapunov 기반 ISS 정규화를 채택합니다. 이차 Lyapunov 후보 함수 $V(\psi) = \psi^\top P \psi$는 모델과 함께 공동으로 학습됩니다. 학습 목적 함수에는 Lyapunov 감소 조건을 강제하는 패널티 항($L_{ISS}$)이 포함됩니다:
$$\dot{V} \leq -\alpha V + \gamma |w|^2$$
이 조건은 학습된 파라미터 $P$, 이득 $\gamma$, 그리고 섹터 승수 $\lambda$를 포함하는 선형 행렬 부등식(LMI)으로 정식화됩니다. 사후 검증(post-hoc verification)과 달리, 이 LMI는 미분 가능한 학습 손실의 일부로서, 최적화 도구가 안정성 제약을 만족하면서 ISS 이득 $\gamma$를 최소화하도록 유도합니다. 전체 손실은 예측 오차, ISS 정규화, 재구성 손실, 그리고 제어 장벽 함수(CBF) 패널티를 결합합니다.

주요 기여

1. 번들 인식 Koopman 리프팅: 상태를 환경별 파이버로 매핑하여 기하학적 제약과 역학적 진화를 분리하는 새로운 인코더.
2. Lyapunov 기반 ISS 정규화: 학습 중에 이차 감소 조건을 강제하여 수렴 시 명시적인 ISS 이득을 산출하는 미분 가능한 손실 함수.
3. 이론적 보증:
   • 번들 좌표 맵에 대한 파이버 불변성(fiber invariance) 증명.
   • 명시적인 이득 공식을 가진 잠재 역학에 대한 ISS 증명.
   • 예측 RMSE를 EDMD 잔차와 연결하는 근사 오차 경계 유도.
4. 실험적 검증: 네 가지 벤치마크 작업(진자, 카트-폴, 유니사이클 내비게이션, 7-DOF 매니퓰레이터)에 대한 포괄적인 테스트를 통해 기존 베이스라인 대비 우수한 성능을 입증.

실험 결과
실험은 다양한 물리적 파라미터(예: 막대 길이, 질량, 마찰, 페이로드)와 외부 외란을 포함하는 네 가지 작업에 대해 수행되었습니다. ISS-BKNO는 다섯 가지 베이스라인(vanilla Neural ODE, Koopman-EDMD, Koopman+ISS (post-hoc), ControlSynth Neural ODE (CSODE), I곡 ICODE)과 비교되었습니다.

• 예측 정확도: ISS-BKNO는 모든 작업에서 가장 낮은 제곱 평균 제곱근 오차(RMSE)를 달s했습니다. 특히, vanilla Neural ODE와 비교하여 예측 RMSE를 58% 감소시켰습니다.
• 강건성: 정현파 외란(sinusoidal disturbances) 하에서, ISS-BKNO는 이론적 경계와 일치하는 유계된 오차 엔벨로프를 유지한 반면, 명시적인 ISS 인증이 없는 모델(예: NODE)은 지속적인 오프셋을 축적했습니다.
• 안정성 실행 가능성: 이 방법은 테스트 중 100% LMI 실행 가능성 비율을 달성했습니다. 반면, 사후(post-hoc) Koopman+ISS 베이스라인은 분포 변화에 따른 스펙트럼 반지름 위반으로 인해 테스트 에피소드의 6%에서 실행 가능성 검사에 실패했습니다.
• 일반화: 성능 저하는 명시적인 파이버 구조가 없는 베이스라인보다 더 완만하게 나타났으며, 훈련 분포의 경계 근처에서 가장 우수한 성능을 보였습니다.

의의 및 주장
본 논문은 ISS-BKNO가 데이터 기반 제어에서 안정성, 환경 적응, 기하학적 제약 처리가 분리된 문제들에 대한 통합된 솔루션을 제공한다고 주장합니다. 파이버 번들 기하학을 Hurwitz 매개변수화된 Koopman 백본 및 미분 가능한 ISS 정규화기와 결래함으로써, 이 프레임워크는 사후 안정성 검사의 필요성을 제거합니다. 저자들은 이 접근 방식이 전역 수렴 보증과 학습 과정에서 직접 계산 가능한 ISS 이득을 제공함으로써, 안전이 중요한 환경에서 학습 기반 제어기의 배포를 가능하게 한다고 단언합니다. 이론적 결과는 예측 정확도를 EDMD 잔차와 직접 연결하여, 딕셔너리 선택을 위한 원칙적인 기준을 제시합니다.