⚡ electrical engineering

MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer

본 논문은 관성 불확실성과 환경적 외란에도 불구하고 강인한 자세 기동과 감소된 정상 상태 오차를 달성하기 위해, 비선형 모델 예측 제어기를 물리 정보 신경망 기반의 외란 추정 및 안정성을 보장하는 리아푸노프 기반 감독 계층과 결합한 저구동 우주선을 위한 계층적 제어 구조를 제안한다.

원저자: Amirhossein Ayanmanesh Motlaghmofrad, Carlo Cena, Mauro Martini, Marcello Chiaberge

게시일 2026-06-12

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Amirhossein Ayanmanesh Motlaghmofrad, Carlo Cena, Mauro Martini, Marcello Chiaberge

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

우주선을 조종하려고 하는데, 세 개의 주요 조종 핸들 중 하나가 고장 났다고 상상해 보세요. 엔지니어들은 이것을 **"언더액추에이티드 우주선(underactuated spacecraft, 구동력이 부족한 우주선)"**이라고 부릅니다. 이는 마치 왼쪽 바퀴가 고장 난 자동차를 운전하는 것과 같습니다. 앞으로 나아갈 수는 있지만, 왼쪽으로 회전하는 것은 매우 어려우며, 아주 작은 요철(우주 먼지나 중력 같은 것)만 만나도 통제력을 잃고 회전하며 튕겨 나갈 수 있습니다.

이 논문은 이 "고장 난" 우주선을 조종하기 위한 새로운 방법으로 세 부분으로 구성된 팀을 제시합니다: 스마트 플래너(Smart Planner), 학습 보조자(Learning Assistant), 그리고 **엄격한 안전 감독관(Strict Safety Supervisor)**입니다.

이들이 어떻게 협력하는지 쉽게 설명하면 다음과 같습니다:

1. 스마트 플래너 (NMPC)

이것은 우주선의 노련한 선장과 같습니다.

역 что 하는가: 앞을 내다보며, 우주선이 올바른 방향을 향하도록 최적의 경로를 계산하고, 우주선이 너무 빨리 회전하거나 연료가 바닥나지 않도록 관리합니다.
문제점: 선장은 완벽하지 않은 지도를 가지고 작업하고 있습니다. 우주선의 무게가 지도와 약간 다르거나, 보이지 않는 바람(외란)이 우주선을 밀어낼 수도 있습니다. 지도가 약간 틀렸기 때문에, 선장의 계획은 목표에서 조금 벗어날 수 있습니다.

2. 학습 보조자 (PINN)

이것은 수천 번의 연습 과정을 공부한 매우 똑똑한 학생입니다.

역할: 우주선과 "보이지 않는 바람"을 관찰합니다. 선장의 지도가 놓친 부분, 즉 우주선이 경로에서 얼마나 벗어나도록 밀리고 있는지를 정확하게 예측하는 법을 배웁니다. 그런 다음 선장에게 아주 작은 수정 사항을 속삭여 줍니다: "선장님, 저 바람에 대응하려면 오른쪽으로 조금 더 강하게 밀어야 해요."
주의점: 이 학생은 데이터로부터 학습하기 때문에, 때때로 과도하게 자신감을 갖거나 터무니없는 추측을 할 수 있습니다. 만약 학생이 틀린다면, 실수로 우주선을 통제 불능 상태로 만들 수도 있습니다.

3. 엄격한 안전 감독관 (Lyapunov Layer)

이것은 학생과 선장 사이에 서 있는 엄격한 안전 검사관입니다.

역할: 학생의 수정 사항이 실제로 사용되기 전에, 검사관은 엄격한 규칙서(수학적 개념인 "리야푸노프 안정성")를 바탕으로 이를 확인합니다. 규칙은 간단합니다: "이 수정 사항이 우주선을 더 안전하게, 혹은 더 안정적으로 만드는가?"
결과:
- 만약 학생의 추측이 안전하고 도움이 된다고 판단되면, 검사관은 **"진행하세요, 사용해도 좋습니다!"**라고 말합니다.
- 만약 학생의 추측이 위험하거나 신뢰할 수 없다고 판단되면, 검사관은 **"안 됩니다!"**라고 하며 수정을 차단합니다. 그러면 우주선은 다시 선장의 원래 계획을 따르는 상태로 돌아갑니다.

대규모 실험

저자들은 실제 우주 환경(중력, 공기 저항, 고장 난 바퀴 등)을 모사하는 고성능 컴퓨터 시뮬레이션에서 이 팀을 테스트했습니다. 그들은 서로 다른 시작 위치를 설정하여 100번의 테스트를 수행했습니다.

그들이 발견한 사실은 다음과 같습니다:

팀 vs 선장 단독: 선장이 학생(그리고 검사관)과 함께 작업했을 때, 선장이 혼자 작업했을 때보다 우주선의 방향 지향도가 훨씬 더 정확했습니다.
수치 데이터:
- 우주선의 방향 오차는 약 3.8% 감소했습니다.
- 최악의 시나리오(우주선이 실패할 가능성이 가장 높은 상황)에서 오차는 무려 **24%**나 감소했습니다.
- 우주선은 훨씬 더 일관성을 보였습니다. 단순히 한 번 운 좋게 성공한 것이 아니라, 매번 우수한 성능을 보여주었습니다.

"안전 vs 속도"의 트레이드오프 (Trade-off)

논문은 흥미로운 세부 사항을 언급합니다. 팀은 학생이 검사관 없이 자유롭게 의견을 낼 수 있을 때 최고의 성능을 보였습니다. 하지만 그것은 위험합니다. 학생이 실수를 할 수 있기 때문입니다.

검사관이 활성화되었을 때, 성능은 "자유로운" 학생의 성능보다는 약간 낮았지만, 혼자 작업하는 선장보다는 여전히 훨씬 뛰어났으며, 무엇보다도 안전성이 보장되었습니다. 검사관은 학생이 혼란에 빠지더라도 우주선이 충돌하지 않도록 보장합니다. 즉, 우주선은 그저 선장의 안전하고 표준적인 계획으로 돌아갈 뿐입니다.

요약하자면

이 논문은 고장 난 우주선을 제어하기 위한 제어 시스템을 제안합니다. 이 시스템은 다음을 결합합니다:

신뢰할 수 있는 플래너 (기본 모델).
플래너가 놓치는 작은 오류들을 수정하는 학습형 AI.
AI가 너무 위험해지면 이를 막아주는 안전 가드.

그 결과, 이 우주선은 부품이 고장 나고 지도가 불완전한 상황에서도 안전 보장을 잃지 않으면서, 이전보다 훨씬 더 정확하게 스스로 방향을 잡을 수 있게 되었습니다.

기술 요약: 리아푸노프 감독 물리 정보 신경망 보정층을 이용한 과소 구동 우주선 제어용 MPC

문제 정의
설계상의 제약이나 액추에이터 고장으로 인해 모든 회전축에 대해 완전한 제어 권한을 갖지 못하는 과소 구동(underactuated) 우주선은 자세 기동 및 안정화에 있어 상당한 어려움에 직면한다. 기존의 제어기들은 복잡한 참조 계획 전략 없이는 모든 자세 성분을 직접적으로 안정화할 수 없기 때문에 이러한 시스템을 다루는 데 한계가 있다. 또한, 모델 예측 제어(MPC) 방식은 효과적이긴 하지만 관성 불확실성과 모델링되지 않은 동적 결합에 민감하다. 이러한 물리적 플랜트와 예측 모델 사이의 불일치는 추적 성능 저하와 환경적 교란 상황에서의 잠재적 불안정성을 초래할 수 있다.

방법론
저자들은 과소 구동 문제와 모델 불확실성을 해결하면서 안전 보장을 유지하기 위해 세 가지 뚜렷한 계층을 통합하는 계층적 제어 아키텍처를 제안한다:

비선형 모델 예측 제어(NMPC) 베이스라인: 이 계층은 기본 제어기로서, 제약 조건이 고려된 기동 계획을 담당하며 액추에이터 제한(예: 반작용 휠 속도 및 토크 포화) 하에서 명목 폐루프 안정성을 보장한다. 이는 0.5초 업데이트 주기와 12초 호리즌을 가진 고정 스텝 Runge-Kutta(RK4) 이산화를 사용하여 이산 예측 모델 상에서 작동한다.
물리 정보 신경망(PINN) 보정: 모델-플랜트 불일치(특히 관성 불확회 및 모델링되지 않은 결합)를 완화하기 위해, 잔차 교란 토크( $\tau_d$ )를 추정하도록 시뮬레이션 데이터 상에서 PINN을 오프라인으로 학습시킨다. 해당 네트워크는 세 개의 은닉층(각 128개 뉴런)을 가진 NARX 구조를 사용하며, 각속도와 반작용 휠 토크를 포함한 16개의 특징을 입력으로 받는다. 학습 목적 함수는 단기 예측 정확도를 향상시키기 위해 강체 회전 역학과의 일관성을 강제하는 다단계 롤아웃 손실(multi-step rollout loss)을 최소화한다.
리아푸노프 기반 감독 안전 메커니즘: 이 결정론적 계층은 NMPC와 PINN 사이에서 안전 필터 역할을 수행한다. 이 계층은 명목 관성 모델을 기반으로 한 보수적인 최악의 상황 가정을 바탕으로 학습된 보정치를 실시간으로 평가한다. 감독자는 에너지 유사 리아푸노프 측도(Lyapunov measure)의 비증가를 보장하도록 PINN의 출력을 스케일링하거나 억제한다. 이를 통해 학습된 보정치가 신뢰할 수 없거나 안전하지 않다고 판단될 경우, 시스템은 모드 전환 없이 순수 모델 기반 NMPC 정책으로 우아하게 퇴보(graceful degradation)하여 안정성을 유지한다.

주요 기여
본 논문은 세 가지 주요 기여를 기술한다:

하이브리드 제어 프레임워크: 모델 기반 베이스라인과 PINN 잔차 보상기를 결합하여, 이론적 안전 보장을 유지하면서 과소 구동 및 구조적 모델링 불확실성을 해결하는 새로운 아키텍처를 제시한다.
결정론적 감독: 학습된 보정치의 기여도를 실시간으로 제약하여 형식 검증 원칙을 준수하고 폐루프 안정성을 보장하는 리아푸노프 기반 감독 메커니즘을 개발하였다.
성능 검증: 고충실도 시뮬레이션을 통해 단독 NMPC 대비 개선된 정상 상태 추적 성능과 감소된 오차 분산을 입증하였다.

실험 결과
제안된 아키텍처는 반작용 휠 역학, 액추에이터 포화 및 환경 교란(중력 경사 및 공기 역학적 항력)을 모델링한 고충실도 시뮬레이션 환경에서 평가되었다. 다양한 초기 자세(75° 및 125° 슬루 기동)와 구조적 관성 불확실성을 포함하는 100회의 시뮬레이션으로 구성된 몬테카를로 캠페인이 수행되었다.

주요 통계적 결과는 다음과 같다:

정상 상태 오차: 감독된 PINN 구성은 베이스라인 NMPC와 비교하여 평균 정상 상태 제곱 평균 제곱근 오차(RMSE)를 3.8% 감소시켰다. 최악의 경우 정상 상태 오차는 24.16% 감소하였다.
최종 자세 오차: 시스템은 평균 최종 오차 12.7% 감소, 최대 최종 오차 52.9% 감소, 그리고 최종 오차 분산 29.42% 감소를 달 나타냈다.
통계적 유의성: 윌콕슨 부호 순위 검정(Wilcoxon signed-rank test)을 사용한 쌍체 비교를 통해 이러한 개선 사항이 통계적으로 유의미함을 확인하였다.
안전 대 성능 트레이드오프: 감독되지 않은 NMPC+PINN 변형이 약간 더 높은 성능 이득을 보였으나, 감독된 버전(NMPC+PINN+Supervisor)은 엄격한 안정성 보장을 유지하였다. 감독기는 명목 가정 하에서 안전하지 않다고 판단되는 유익한 보정치를 때때로 거부하였으며, 피크 성능보다는 강건성을 우선시하였다.

의의 및 주장
본 논문은 이러한 계층적 접근 방식이 모델 기반 제어의 강건성과 데이터 기반 방법의 적응성 사이의 간극을 성공적으로 메운다고 주장한다. PINN을 잔차 추정기로 통합하고 리아푸노프 기반 감독을 통해 안정성을 강제함으로써, 시스템은 우주 임무에 요구되는 안전 특성을 저해하지 않으면서 과소 구동 우주선의 추적 정확도를 향상시킨다. 이 아키텍처는 학습 기반 증강이 신뢰할 수 없게 될 경우 인증 가능한 순수 모델 기반 제어기로 복귀할 수 있는 "우아한 퇴보"를 보장함으로써, 우주 임무의 안전 필수적 성격을 해결한다.