기술 요약: 오일러-라그랑주 로봇 역학을 위한 물리 인지형 희소 학습 및 선택적 온라인 적응

1. 문제 정의

정확한 역학 모델은 모델 기반 로봇 제어의 근간이며, 일반적으로 오일러-라그랑주(Euler–Lagrange, EL) 정식화에 의존한다. 그러나 명목 EL 모델은 페이로드 변화, 시스템 내부 결합, 마찰, 공기역학적 항력 및 변화하는 운용 조건과 같은 모델링되지 않은 효과로 인해 실제 환경에서 실패하는 경우가 많다.

기존의 학습 기반 보정 방법들은 일반적으로 이를 명목 모델에 단일 가산 잔차(additive residual) 항을 도입함으로써 해결하려 한다. 이러한 방식은 예측 오차를 줄이는 데는 효과적이지만, 불일치를 구조화되지 않은 블랙박스 함수로 취급하는 경향이 있다. 이는 대칭성, 관성 행렬의 양의 확정성(positive-definiteness), 그리고 관성과 속도 의존 항(코리올리/원심력) 사이의 특정한 결합과 같은 EL 시스템의 내부 기계적 구조를 무시한다. 결과적으로, 이러한 모델은 물리적으로 일관되지 않은 예측을 생성할 수 있으며, 컨트롤러에 삽입되었을 때 신뢰성이 저하될 수 있다.

나아가, 실제 시스템은 많은 상태 상호작용이 약하게 유지되는 시변 결합(time-varying coupling)을 나타내며, 이는 잔차 역학이 부분적으로 희소(sparse)함을 시사한다. 기존 방법들은 이러한 희소성을 활용하지 못하거나, 높은 계산 비용이나 데이터 비효율성을 초-래하며 비정상 상태(non-stationary conditions)에 효율적으로 적응하지 못하는 경우가 많다. 핵심 과제는 EL 시스템의 구조적 형태를 보존하면서도, 변화하는 외란에 대해 압축적이고 선택적인 온라인 적응을 가능하게 하는 학습 프레임워크를 개발하는 것이다.

2. 방법론

저자들은 모델 불일치를 기계적으로 결합된 항과 외란에 민감한 힘으로 분리하여, 모델 불일치를 별도의 구성 요소로 분해하는 구조 보존 잔차 학습 프레임워크를 제안한다. 방법론은 다음 네 가지 주요 단계로 구성된다.

A. 구조적 잔차 분해

단일 가산 잔차 $\delta$를 학습하는 대신, 이 모델은 EL 방정식에 기초하여 보정을 세 가지 부분으로 분해한다:
$$\delta_t = \Delta M_t \ddot{\chi}_t + \Delta C_t \dot{\chi}_t + \Delta f_t$$

1. 관성 보정 ($\Delta M$): 관성 행렬에 대한 구조적 보정.
2. 유도된 코리올리 항 ($\Delta C$): 반대칭성(skew-symmetry) 성질($\dot{M} - 2C$)을 보존하기 위해 보정된 관성으로부터 직접 유도됨.
3. 일반화된 힘 잔차 ($\Delta f$): 비보존력(마찰, 항력, 외부 외란 등)을 포착함.

B. 희소 잠재 상호작용 모델링

이력 의존적 역학을 처리하고 희소성을 활용하기 위해, 시스템은 시간적 합성곱 신경망(Temporal Convolutional Network, TCN)을 사용하여 관측값의 유한한 이력 창($H_t$)을 잠재 표현 $\tilde{z}_t$로 인코딩한다. 이 표현은 소프트 임계값 처리(soft-thresholding)(희소 코딩 메커니즘)를 통해 두 개의 브랜치로 분리된다:

• 구조적 브랜치 ($z^M_t$): 관성 보정을 구동하는 희소 코드.
• 적응형 브랜치 ($z^f_t$): 일반화된 힘 보정을 구동하는 희소 코드.

이를 통해 특정 시점에 활성화된 상호작용 모드의 작은 부분 집합만이 사용되도록 보장하며, 이는 간결성(parsimony)을 증진한다.

C. 물리적 제약 조건 및 파라미터화

• 관성 행렬: 보정된 관성 $\hat{M}$은 명목 관성과 학습된 보정의 합으로 파라미터화된다. 보정 항은 저계수(low-rank) 항과 엄격한 양의 대각 항(softplus 활성화 함수 사용)의 합으로 구성되어, $\hat{M}$이 구조적으로 대칭 양의 확정(SPD) 상태를 유지하도록 보장한다.
• 코리올리 행렬: 보정된 코리올리 행렬 $\hat{C}$는 독립적으로 학습되지 않고, 크리스토펠 기호(Christoffel symbols)를 사용하여 학습된 관성 $\hat{M}$으로부터 해석적으로 유도된다. 이는 관성과 속도 항 사이의 기계적 결합을 강제한다.
• 일반화된 힘: 희소 적응형 잠재 코드의 선형 함수로 모델링된다 ($\Delta f = \Theta z^f_t$).

D. 선택적 온라인 적응

변화하는 조건(예: 페이로드 변화)을 처리하기 위해, 프레임워크는 선택적 온라인 적응을 채택한다:

• 기계적 구조 성분($\Delta M$ 및 $\Delta C$)은 오프라인 학습 후 **고정(fixed)**된다.
• 오직 일반화된 힘 디코더($\Theta$)만이 온라인에서 업데이트된다.
• 업데이트는 $z^f_t$의 비제로(non-zero) 요소로 정의된 활성 잠재 하부 공간 내에서 **베이지안 선형 회귀(Bayesian Linear Regression)**를 사용하여 수행된다. 이를 통해 전체 모델을 재학습하거나 학습된 기계적 구조를 위반하지 않고도, 외란에 대해 신속하고 샘플 효율적인 적응이 가능하다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 강조한다:

1. 구조 보존 잔차 분해: 관성 보정, 유도된 코리올리 항, 일반화된 힘을 명시적으로 분리함으로써 EL 시스템을 위한 잔차 학습 형식을 제안하였다. 이는 일반적인 블랙박스 보정이 범하는 오류를 피하고 핵심적인 기계적 특성(대칭성, 양의 확정성)을 보존한다.
2. 간결한 이력 의존적 상호작용 모델링: 제한된 수의 활성 상호작용 패턴을 포착하는 희소 잠재 표현을 도입하였다. 이는 많은 상태 상호작용이 지속적으로 약하다는 관찰에 기초하여, 구조적 기계적 불일치와 외란 효과 모두를 압축적으로 모델링할 수 있게 한다.
3. 선택적 베이지안 온라인 적응: 외란에 민감한 일반화된 힘 성분만을 활성 잠재 하부 공간 내에서 업데이트하는 적응 메커니즘을 개발하였다. 이는 학습된 기계적 구조의 무결성을 유지하면서도 비정상 역학에 대한 반응성을 보장한다.

4. 실험 결과

본 방법은 차동 구동 모바일 로봇, 6자유도 매니퓰레이터, 쿼드로터, 모바일 매니퓰레이터, 에어리얼 매니퓰레이터 등 5가지 로봇 플랫폼에서 평가되었다. 실험은 다양한 페이로드와 운용 조건 하에서 복잡한 8자 궤적을 추적하는 것을 포함한다.

• 예측 정확도: 제안된 방법은 Sparse System Identification (SysID), Physics-Inspired TCNs (PI-TCN), Deep Model Reference Adaptive Control (DMRAC)를 포함한 베이스라인 모델들과 비교하여 가장 낮은 정규화 예측 오차를 달립했다. 베이스라인 모델들은 모바일 및 에어리얼 매니퓰레이터의 구성 의존적 결합 문제를 해결하는 데 어려움을 겪었으나, 구조적 접근 방식은 탁월한 성능을 보였다.
• 궤적 추적: 계산 토크 제어기(computed torque controller)를 사용한 폐루프 제어에서, 제안된 방법은 오프라인 딥러닝 모델(DNN, Diffusion), 메타 러닝 접근법, 액티브 MLP에 비해 우수한 궤적 추적 성능(최저 RMSE)을 입증했다. 이는 구조적 모델링과 재귀적이고 불확정성을 고려한 업데이트를 결합하는 것이 비정상 역학 하에서의 강건한 추적에 결정적임을 보여준다.
• 절제 연구(Ablation Studies):
  • 희소성(Sparsity): 적절한 수준의 희소성이 표현력과 강건성 사이의 최적의 균형을 제공하였으며, 저데이터 환경에서의 데이터 효율성을 높이고 더 빠른 수렴을 가능하게 했다.
  • 적응(Adaptation): 희소 모델은 덴스(dense) 모델에 비해 과도 현상(예: 페이로드 낙하) 이후 더 빠른 오차 회복과 부드러운 수렴을 보여주었다. 활성 잠재 차원은 과도기 동안 동적으로 증가했다가 명목 수준으로 돌아왔으며, 이는 적응형 복잡성을 입증한다.

5. 의의 및 주장

본 논문은 정확한 실세계 모델 기반 제어를 위해서는 단순히 예측 오차를 줄이는 것 이상의 것, 즉 물리적 일관성과 선택적 적응성이 필요하다고 주장한다.

• 물리적 일관성: EL 구조(SPD 관성, 결합된 코리올리 항)를 보존함으로써, 모델은 해석 가능하고 신뢰할 수 있는 상태를 유지하며, 불안정한 제어 동작을 초래할 수 있는 비구조적 블랙박스 보정의 함정을 피한다.
• 효율성 및 강건성: 희소 잠재 표현과 선택적 온라인 적응의 결방은 시스템이 변화하는 조건을 효율적으로 처리할 수 있게 한다. 이는 대규모 파라미터 세트를 적응시키기 위한 계산적 부담과 데이터 비효율성을 방지한다.
• 실제 배포: 본 프레임워크는 임베디드 하드웨어(NVIDIA Jetson Orin NX)에 실시간 배포가 가능하도록 설계되었으며, 구조적 잔차 학습이 다양한 로봇 시스템을 위한 모델 기반 컨트롤러에 효과적으로 통합될 수 있음을 입증한다.

저자들은 자신들의 접근 방식이 성능을 크게 향상시키지만, 기계적으로 구조화된 구성 요소는 배포 중에 고정되어 있다는 한계가 있다고 언급한다. 그들은 매우 크거나 지속적인 관성 특성 변화가 발생하는 시나리오를 위해 구조화된 기계적 항의 공동 적응을 조사하는 것을 향후 과제로 제안한다.