⚡ electrical engineering

Environment-Aware Stable Neural Koopman Dynamics Learning for Input-Driven Systems under Environmental Constraints

본 논문은 변화하는 환경적 제약 조건 하에서 작동하는 비선형 시스템에 대해 엄격한 안정성 및 입력-상태 안정성 보장을 제공하기 위해 파이버 번들 인코더(fiber bundle encoders), 입력 조건부 신경 상미분 방정식(input-conditioned Neural ODEs), 수축 합성(contraction synthesis), 그리고 쿱만 리프팅(Koopman lifting)을 통합한 단일 프레임워크인 환경 인식 안정적 신경 쿱만 역학 학습(Environment-Aware Stable Neural Koopman Dynamics Learning, ESNKD)을 제안한다.

원저자: Lin Feng

게시일 2026-06-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Lin Feng

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

로봇에게 걷는 법을 가르치려고 한다고 상상해 보세요. 당신은 로봇에게 매끄러운 바닥 위를 걷는 사람의 영상을 보여주고, 로봇은 그것을 흉내 내며 배웁니다. 하지만 그 후, 당신이 로봇에게 미끄러운 빙판길 위를 걷거나 무거운 배낭을 메고 걷도록 요청합니다. 만약 로봇이 매끄러운 바닥에서만 학습했다면, 환경이 변했다는 것을 이해하지 못해 넘어질 수도 있습니다.

이 논문은 바로 이 문제를 해결하기 위한 ESNKD(Environment-Aware Stable Neural Koopman Dynamics Learning, 환경 인지형 안정 신경 코플만 역학 학습)라는 새로운 방법을 소개합니다. 이는 컴퓨터가 물리적 시스템이 어떻게 움직이는지 학습하는 방법이며, 특히 주변 조건이 계속 변하더라도 시스템이 통제 불능 상태에 빠지지 않도록 보장하는 방법입니다.

작동 원리를 간단한 개념과 비유를 통해 나누어 설명하면 다음과 같습니다:

1. 문제점: "하나의 정답"이라는 함정

현재 대부분의 물리 AI 모델은 특정 요리 한 가지만 완벽하게 할 줄 아는 요리사와 같습니다. 만약 새로운 재료(마찰력 변화, 무게 변화, 바람 등)를 준다면, 그들은 혼란에 빠집니다. 그들은 보이는 것을 바탕으로 새로운 조건을 추측하려 하지만, 종종 틀리게 되어 충돌이나 불안정성을 초래합니다.

2. 해결책: "네 가지 도구 세트"

저자들은 네 가지 특수 도구가 잘 맞물려 돌아가는 기계처럼 작동하는 시스템을 구축했습니다:

도구 1: "환경 번역기" (Bundle-Structured Encoder)
로봇이 특수 안경을 쓰고 있다고 상imagine 해보세요. 로봇은 세상을 단순히 흐릿한 데이터의 덩어리로 보는 대신, 이 안경을 통해 환경(예: "빙판", "무거운 짐", "바람 부는 상황")을 깨끗하고 조직화된 지도로 번역합니다.
- 논문의 주장: 이 도구는 노이즈가 섞인 센서 데이터를 정밀한 "좌표"로 변순환시켜, 로봇에게 현재 어떤 종류의 세상에 있는지 정확히 알려줍니다. 이는 "빙판"과 "건조한 바닥"이 단순히 무작위 노이즈가 아니라, 지도상의 서로 구별되는 별개의 장소로 처리되도록 보장합니다.
도구 2: "스마트 드라이버" (Input-Conditioned Neural ODE)
이것은 실제로 로봇을 움직이는 엔진입니다. 보통의 엔진은 고정된 트랙 위를 달리기 위해 만들어지지만, 이 엔진은 특별합니다. 왜냐하면 환경을 위한 "조수석"이 있기 때문입니다.
- 논문의 주장: 이 엔진은 번역기(도구 1)로부터 받은 "좌표"와 제어 입력(예: "앞으로 이동")을 서로 혼합합니다. 단순히 추측하는 것이 아니라, 언덕을 오를 때 기어를 변속하는 운전자처럼 현재 환경에 맞춰 능동적으로 주행 스타일을 조절합니다.
도구 3: "안정성 브레이크" (Contraction Synthesis Layer)
이것은 안전 장치입니다. 마치 "아무리 핸들을 꺾더라도, 항상 도로 중앙에 가까워져야 하며 결코 멀어져서는 안 된다"라는 규칙이 내장된 자동차와 같습니다.
- 논문의 주장: 학습 과정 중에 시스템은 수학적 계산이 이와 같이 동작하도록 강제합니다. 시스템은 두 로봇이 약간 다른 위치에서 시작하더라도 결국 동일한 경로로 수렴하도록 하기 위해 특정 수학적 검증(힌지 페널티, hinge penalty)을 사용합니다. 이는 시스템이 통제 불능 상태로 치닫지 않음을 보장합니다.
도구 4: "안전 인증서" (Koopman Lifting & ISS Verification)
이것은 최종 시험입니다. 로봇이 운전을 허가받기 전, 수학자가 그 결과물을 검토합니다.
- 논문의 주장: 시스템은 로봇의 복잡하고 무질서한 움직임을 더 단순하고 선형적인 언어로 변환합니다(마듯 복잡한 노래를 단순한 악보로 바꾸는 것과 같습니다). 그런 다음 컴퓨터 테스트(LMI라고 불리는 과정)를 실행하여, 로봇이 "입력-상태 안정성(Input-to-State Stable, ISS)"을 갖추었음을 수학적으로 100% 확실하게 증명합니다. 이는 "바람이 얼마나 불든, 짐이 얼마나 무거워지든, 로봇이 안전하게 유지될 것"임을 의미합니다.

3. 테스트 방법

저자들은 이론에만 머물지 않고, 다섯 가지 서로 다른 "놀이터"에서 이를 테스트했습니다:

마찰력이 변하는 진자(Pendulum).
무게가 변하는 막대가 달린 카트.
접지력이 다른 지면 위를 달리는 시뮬레이션 속 치타.
알 수 없는 무거운 무게를 들어 올리는 실제 로봇 팔.
관절 마찰력을 다루는 또 다른 로봇 팔.

결과:

더 높은 정확도: 이 새로운 방법은 다섯 가지 인기 있는 다른 방법들과 비교했을 때 로봇의 위치를 예측하는 데 있어 실수가 훨씬 적었습니다.
더 안전함: "안정성 위반"(로봇이 넘어지거나 통제 불능이 될 뻔한 경우) 발생률이 가장 낮았습니다.
인증 완료: 거의 모든 실행 과정에서 "안전 인증서" 테스트를 성공적으로 통과한 유일한 방법이었습니다. 다른 방법들은 테스트를 통과하지 못하거나, 너무 복잡해서 테스트 자체를 수행할 수 없었습니다.

4. 핵심 요약

ESNKD를 로봇에게 단순히 움직이는 법을 가르치는 것이 아니라, 주변 환경에 적응하는 법을 가르치는 동시에, 로봇이 절대 통제력을 잃지 않을 것임을 증명하는 "안전 면허증"을 쥐여주는 것이라고 생각하십시오.

이 논문은 이 네 가지 특정 기술을 결격함으로써, 시스템이 이전 방식들보다 더 정확하고, 환경 변화에 더 견고하며, 수학적으로 안정성이 보장된다는 것을 입증했습니다. 또한 테스트한 모든 카테고리에서 기존 방식들을 능가했습니다.

기술 요약: 환경 제약 조건 하의 입력 구동 시스템을 위한 환경 인지형 안정적 뉴럴 코프만 역학 학습

1. 문제 정의

본 논문은 환경 변화에 따라 운전 조건이 변하는 상황에서, 측정 데이터로부터 비선형 동역학 시스템을 위한 예측 모델을 구축하는 과제를 다룬다. 기존의 방법론들은 기술의 발전을 이루었으나, 다음 세 가지 핵심 요구사항을 하나의 통합된 학습 가능한 프레임워크 내에서 동시에 해결하는 데 실패하였다:

환경 가변성 (Environment Variability): 기존의 학습된 모델들은 환경을 고정된 것으로 취급하거나 물리적 파라미터(예: 페이로드, 마찰력)를 상태 내에 암시적으로 인코딩하는 데 의존한다. 이는 환경 조건이 훈련 분포를 벗어날 경우 실패하게 된다.
엄격한 안정성 보장 (Rigorous Stability Guarantees): 딥러닝 접근 방식은 종종 해석 가능성과 안정성 인증이 부족하다. Neural ODE와 Koopman 연산자가 안정성을 위한 경로를 제공하긴 하지만, 이들이 환경 조건화(environmental conditioning)와 결합되는 경우는 드물다.
입력-상태 안정성(ISS) 인증: 기존 방법론들은 시변 입력(time-varying inputs)과 변화하는 환경 파라미터가 존재하는 시스템에 대해 분석적인 ISS 인증을 제공하는 데 어려움을 겪는다.

핵심 목표는 미지의 데이터에 대한 궤적 예측 오차를 최소화하면서, 샘플링 없이도 수렴 및 ISS에 대한 분석적 인증을 제공하는 파라미터 모델을 학습하는 것이다.

2. 방법론: ESNKD 프레임워크

제안된 환경 인지형 안정적 뉴럴 코프만 역학 (ESNKD) 프레임워크는 식별된 격차를 해소하기 위해 네 가지 결합된 구성 요소를 통합한다:

A. 번들 구조의 환경 인코딩 (Bundle-Structured Environmental Encoding)

파이버 번들(fiber bundle) 프레임워크에서 영감을 얻은 이 방법은 노이즈가 포함된 환경 관측값 $y_t$ 를 구조화된 잠재 좌표 $z_t$ 로 매핑하는 인코더 $\psi_\phi$ 를 사용한다.

기하학적 정규화 (Geometric Regularization): 표준 인코더와 달리, 이 구성 요소는 환경 매니폴드의 메트릭 구조를 보존하기 위한 등거리 정규화기( $L_{enc}$ )를 포함한다. 이는 서로 다른 환경 조건 간의 가짜 결합(spurious coupling)을 방지하여, 학습된 벡터장이 환경 섭동에 견고하게 유지되도록 한다.
역할: 잠재 좌표 $z$ 는 벡터장을 파라미터화하여, 모델이 변화하는 물리적 파라미터(예: 마찰, 질량)에 동적으로 적응할 수 있게 한다.

B. 입력 조건부 뉴럴 역학 (Input-Conditioned Neural Dynamics)

시스템 역학은 분해된 벡터장으로 모델링된다:
$\dot{x} = f_\theta(x, u, z) = f_s(x) + f_r(x, u, z)$

구조: $f_s(x) = -Kx$ 는 선형 안정화 베이스라인을 제공한다. $f_r$ 은 상태 $x$ , 제어 입력 $u$ , 그리고 환경 $z$ 를 포함하는 뉴럴 잔차(neural residual)이다.
결합: 환경-입력 결합은 환경 좌표를 벡터장에 직접 연결하는 특징별 선형 변조(Feature-wise Linear Modulation, FiLM) 레이어를 통해 실현된다. 이는 ICODE의 "입력 공변(input concomitant)" 철학을 환경 조건화까지 확장한 것이다.
안정화: 자코비안 계산을 안정화하기 위해 잔차의 립시츠 상수(Lipschitz constant)를 제한하는 스펙트럼 정규화(Spectral normalization)가 적용된다.

C. 수축 합성 레이어 (Contraction Synthesis Layer)

수렴을 강제하기 위해, 본 프레임워크는 ControlSynth Neural ODEs (CSODEs)와 유사한 수축 분석(contraction analysis) 접근 방식을 채택한다.

조건: 시스템은 자코비안의 대칭 부분이 음의 정부호인 $\text{sym}(\frac{\partial f_\theta}{\partial x} \preceq -\beta I$ 조건을 만족하도록 훈련된다.
훈련: 대칭 자코비안의 최대 고윳값이 $-\beta$ 미만이 되도록 보장하기 위해 힌지 손실(hinge penalty, $L_{con}$ )이 훈련 중에 최소화된다. 이는 아키텍처에 무관하며, $z$ 를 통해 환경 의존성을 처리한다.

D. Koopman 리프팅 및 ISS 검증 (Koopman Lifting and ISS Verification)

최근의 ISS 검증된 Koopman 모델 연구의 이론적 파이프라인을 따라, 프레임워크는 사후 검증 단계를 수행한다:

리프팅 (Lifting): 상태와 환경의 2차 단항식(degree-two monomials)으로 구성된 관측 가능 사전(observable dictionary) $\phi(x, z)$ 가 구축된다.
식별 (Identification): 리프팅된 역학은 최소제곱 회귀를 통해 선형 시스템 $\dot{\phi} = A\phi + Bu$ 로 근사된다.
인증 (Certification): 입력-상태 안정성(ISS)은 선형 행렬 부등식(LMI) 타당성 문제를 해결함으로써 검증된다. 만약 실행 가능하다면, 이는 명시적인 게인 바운드를 가진 ISS의 분석적 인증을 제공하며, 강건성 문제를 다루기 쉬운 볼록 프로그램(convex program)으로 변환한다.

3. 이론적 보장

본 논문은 다음을 포함하는 엄격한 이론적 증명을 제공한다:

존재성 및 유일성: 표준 립시츠 조건 하에서 해는 존재하며 유일하다.
증분 지수 안정성 (Incremental Exponential Stability): 수축 조건이 성립하면, 동일한 입력과 환경에 의해 구동되는 임의의 두 궤적은 비율 $\beta$ 로 지수적으로 수렴한다.
명시적 바운드를 가진 ISS: LMI가 실행 가능하다면, 리프팅된 시스템은 Koopman 행렬에 의존하는 게인을 가진 ISS를 만족한다.
강건성: 모델은 환경 섭동에 강건하다. 오차 범위는 잠재 환경 매니폴드의 왜곡에 비례하며, 이는 등거리 정규화기를 정당화한다.

4. 실험 결과

프레임워크는 댐핑된 진자, 카트-폴(cart-pole), HalfCheetah (MuJoCo), 그리고 미지의 페이로드와 마찰 섭동이 있는 두 가지 로봇 조작 플랫폼(Franka Emika Panda 및 xArm)을 포함한 5가지 벤치마크 시스템에서 평가되었다.

예측 정확도: ESNKD는 모든 작업에서 가장 낮은 제곱평균제곱근 오차(RMSE)를 달성하였으며, 진자와 HalfCheetah 작업에서 최상의 베이스라인(ISS-Koopman) 대비 각각 26.3% 및 21.5%의 상대적 개선을 보였다.
안정성 및 안전성: ESNKD는 모든 작업에서 가장 낮은 안정성 위반율(SVR)을 기록했다 (평균 2.4%, ISS-Koopman의 7.2% 및 Neural ODE의 17.9% 대비).
ISS 인증: 이 방법은 작업 전반에 걸쳐 85~94.7%의 ISS 인증 성공률(ISS-SR)을 달 Achieved 했다. 반면, Koopman 리프팅이 없는 방법들(Neural ODE, ICODE, ControlSynth)은 인증을 생성할 수 없었으며, Deep Koopman은 최대 47.8%만을 달성했다.
절제 연구 (Ablation Study): 환경 인코더를 제거했을 때 RMSE가 63% 증가했다. 수축 손실을 제거했을 때 ISS-SR이 46 퍼센트 포인트 감소하였으며, 이는 안정성 정규화가 안전 인증에 필수적임을 확인시켜 준다.

5. 의의 및 주장

본 논문은 ESNKD가 환경 인코딩, 안정성 합성, 그리고 ISS 인증을 동시에 결합한 최초의 통합 프레임워크라고 주장한다.

격차 해소: 환경 인코딩, 안정성 합성, ISS 인증이 지금까지 별개로 다루어졌던 구조적 격차를 해결한다.
기하학적 규칙성: 번들 구조의 잠재 표현이 갖는 기하학적 규칙성이 Koopman 리프팅 및 안정성 인증의 품질을 향상시킨다는 것을 입증한다.
실용적 달성 가능성: 결과는 환경 변화 조건 및 시변 입력 하에서도 안정성이 인증된 Neural ODE가 실질적으로 달성 가능하다는 것을 시사한다.
안전한 탐색 경로: 저자들은 획득된 ISS 인증이 안전한 탐색을 위한 선형 강건 모델 예측 제어(MPC)의 사용을 가능하게 하여, 측정 인지형 제어 장벽 함수(CBF) 접근법을 보완할 수 있다고 제안한다.

본 논문은 Koopman 식별이 현재 사후적으로 수행되고 있지만, 이 프레임워크가 데이터로부터 증명 가능하게 안정적이고 환경을 인지하는 역학 모델을 학습하기 위한 실행 가능한 경로를 구축한다고 결론짓는다.