기술 요약: 인증된 변형 가능한 조작을 위한 CORD-SLS

문제 정의

로프나 천과 같은 변형 가능한 물체의 조작은 상태 표현의 압축성 결여, 고차원의 비선형 역학, 그리고 복잡한 접촉 상호작용으로 인해 로보틱스 분야에서 큰 도전 과제가 되고 있습니다. 기존 방식들은 트레이드오프에 직면해 있습니다: 기하학적 추상화를 사용하는 고전적 방법들은 강건성이 부족하고 종종 개루프(open-loop) 방식인 반면, 학습된 정책은 안전 보장이 부족하고 광범위한 훈련이 필요합니다. 또한, 그래디언트 기반 계획(gradient-based planning)을 가능하게 하는 미분 가능한 시뮬레이터는 단순한 접촉 정식화로 인한 불연속적인 그래디언트 문제로 인해 효율적인 접촉 탐색에 어려움을 겪습니다. 아울러, 고차원의 접촉이 빈번한 환경에서 모델 및 센싱 불확실성 하에 안전성을 보장하는 것, 특히 전체 상태 정보를 알 수 없는 출력 피드백 제어(output-feedback control) 상황에서의 안전 보장은 여전히 해결되지 않은 문제입니다.

방법론

저자들은 네 가지 핵심 구성 요소를 통합한 CORD-SLS(Contact-smoothed Output-feedback Robust control of Deformables via System Level Synthesis) 프레임워크를 제안합니다.

1. 접촉 평활화가 적용된 GPU 병렬 미분 가능 시뮬레이터

접촉이 빈번한 시뮬레이션에서의 그래디언트 불연속 문제를 해결하기 위해, 저자들은 암시적 타임 스텝 스킴(implicit time-stepping scheme)에 기반한 시뮬레이터를 개발했습니다.

• 역학 정식화: 이 시스템은 두 단계 솔버를 사용하여 탄성 에너지와 제약 조건(홀로노믹 및 접촉 제약)을 모델링합니다. 첫 번째 단계는 홀로노믹 제약 조건 하에서의 중간 구성을 풀고, 두 번째 단계는 Anitescu 정식화의 볼록 완화(convex relaxation)를 통해 접촉 상호작용을 해결합니다.
• 미분: 반복적인 솔버를 언롤링(unrolling)하는 대신, 이 방법은 최적화 문제의 KKT 조건을 통한 **암시적 미분(implicit differentiation)**을 채택하여 추가적인 포워드 패스 비용 없이 효율적인 그래디엔트 계산을 허용합니다.
• 접촉 평활화(Contact Smoothing): 접촉 전이 중 발생하는 그래디언트 소실을 방지하기 위해, 저자들은 **대리 그래디언트(surrogate gradients)**를 도입합니다. 이들은 지수 함수와 완화된 상보성 조건을 사용하여 홀로노믹 제약 조건의 활성화와 접촉 제약의 상보성 조건을 평활화합니다. 이를 통해 플래너가 접촉을 "찾아갈" 수 있도록 유익한 그래디언트 신호를 제공하는 동시에, 포워드 롤아웃(forward rollout) 시에는 원래의 비매끄러운 역학을 사용하여 물리적 충실도를 유지합니다.

2. GPU 병렬 출력 피드백 강건 MPC

제어 전략은 실시간으로 강건한 출력 피드백 정책을 합성하기 위해 **시스템 레벨 합성(System Level Synthesis, SLS)**을 활용합니다.

• 강건 정식화: 이 방법은 유계된 프로세스 교란과 관측 오차를 고려하는 도달 가능 제약 최적화 문제(reachability-constrained optimization problem)를 정식화합니다. 이는 불확실성에도 불구하고 폐루프 궤적이 안전 집합 내에 머물도록 하는 "도달 가능 튜브(reachable tubes)"를 계산합니다.
• 병렬화: 이전의 GPU-SLS 연구(상태 피드백에 국한됨)를 확장하여, 저자들은 관측기 재귀(observer recursions)를 결합 법칙이 성립하는 연산자로 표현함으로써 출력 피드백을 위한 솔버를 적응시켰습니다. 이를 통해 **GPU 병렬 프리픽스 스캔(prefix scans)**을 사용하여 칼만 재귀를 풀고 폐루프 응답 연산자를 로그 시간 내에 조립할 수 있게 함으로써, 고차원 시스템에 대한 실시간 계획을 가능하게 했습니다.

3. 가속화된 모델 기반 RL (APG)

미분 가능한 시뮬레이터는 **모델 기반 강화학습(MBRL)**을 가속화하는 데 활용됩니다. 시뮬레이터를 미분 가능한 레이어로 취급함으로써, 저자들은 **해석적 정책 그래디언트(Analytical Policy Gradients, APG)**를 계산합니다. 이를 통해 신경망 정책을 높은 샘플 효율성으로 훈련할 수 있으며, 단순한 확률적 탐사에만 의존하지 않고 접촉을 발견하고 유지하도록 유도할 수 있습니다.

4. 안전 캘리브레이션을 위한 컨포멀 예측 (CP)

시뮬레이션과 현실 사이의 간극을 메우기 위해, 저자들은 불확실성 경계를 캘리브레이션하는 데 **컨포멀 예측(Conformal Prediction, CP)**을 사용합니다.

• 캘리브레이션: 인지된 상태 전이의 홀드아웃 캘리브레이션 세트를 사용하여, 비정합성 점수(nonconformity scores)를 계산하고 최악의 예측 오차 경계를 결정합니다.
• 보장: 이 캘리브레이션된 경계는 강건한 SLS 컨트롤러가 계산한 도달 가능 튜브를 팽창시키는 데 사용됩니다. 저자들은 이 접근 방식이 노이즈가 섞이고 지연된 관측값만을 사용할 때도 실제 상태에 대해 높은 확률의 안전 보장을 제공함을 증명합니다.

주요 기여

1. 시뮬레이터: 간헐적인 접촉을 통한 그래디언트 기반 계획을 가능하게 하는 접촉 평활화 기능이 포함된 GPU 병렬 미분 가능 실시간 변형 물체 시뮬레이터.
2. 제어 알고리즘: 고차원 변형 역학을 처리할 수 있는 도달 가능 제약 SLS를 통한 실시간 강건 출력 피드백 제어 정책 합성용 GPU 병렬 방법.
3. 학습 가속화: 미분 가능한 시뮬레이터로부터 얻은 해석적 정책 그래디언트(APG)를 활용하여 신경망 조작 정책의 샘플 효율적인 훈련을 지원하는 모델 기반 RL 전략.
4. 안전 캘리브레이션: 인지 및 모델 오차 경계를 캘리브레이션하여 강건 MPC를 위한 확률적 안전 보장을 제공하는 실세계 비전 기반 구현.

결과

본 프레임워크는 시뮬레이션과 하드웨어 모두에서 고차원 로프 및 천 조작 작업(들어 올리기, 장애물 회피하며 끌기, 접기, 펼치기)에 대해 평가되었습니다.

• 성능: CORD-SLS는 밀리초 단위의 계획 속도(예: 300-DoF 천 작업에 대해 MPC 업데이트당 1초 미만)를 달 achievement했습니다.
• 효율성: 시뮬레이터는 이전의 미분 가능한 시뮬레이터와 비교하여 포워드 시뮬레이션 및 자코비안 계산 속도를 각각 최대 700배 및 2000배까지 가속화했습니다.
• 안전 및 성공: 시뮬레이션에서 CORD-SLS는 MPPI 및 PPO와 같은 베이스라인 모델보다 더 낮은 목표 오차와 함께 100%의 안전율을 달성했습니다. 예를 들어, "Drag Rope" 작업에서 MPPI는 1.0%의 안전율만을 기록한 반면, CORD-SLS는 99.9%를 달성했습니다.
• 하드웨어 검증: 물리적인 KUKA LBR iiwa 매니퓰레이터 상에서, 시스템은 장애물을 넘어 로프를 제어하거나 천을 접는 작업을 성공적으로 수행했습니다. 컨트롤러가 계산한 강건한 튜브는 동적 및 측정 불확실성을 효과적으로 고려하여 안전한 실행을 보장했습니다.
• 비교: 본 방법은 안전성, 속도 및 작업 성공률 측면에서 베이스라인 모델들을 능가했습니다. 특히, PPO는 접촉이 빈근 작업에서 성공하기 위해 전문가의 시연을 통한 웜 스타트(warm-starting)가 필요했던 반면, CORD-SLS는 궤적 최적화를 통해 이를 직접 해결했습니다.

의의 및 주장

본 논문은 CORD-SLS가 확장 가능한 계획, 변형 접촉 역학, 그리고 강건성 사이의 간극을 메운다고 주장합니다. 미분 가능한 시뮬레이션, 접촉 평활화, 그리고 출력 피드백 강건 MPC를 통합함으로써, 이 프레임워크는 별도의 기술이나 광범위한 훈련 없이도 접촉이 빈번한 환경에서 변형 가능한 물체의 실시간 안전 제어를 가능하게 합니다. 컨포멀 예측의 통합은 모델 및 인지 불확실성이 존재하는 실제 환경에서도 인증된 고확률 안전성을 제공합니다. 저자들은 이 접근 방식이 작업별 재학습 없이도 다양한 작업(장애물 회피, 경로 생성, 접기 등)에 걸쳐 일반화될 수 있음을 강조하며, 이를 통해 범용적인 효용성을 입증했습니다.

한계점

저자들은 접촉 평활화가 접촉 전이 근처에서 오차를 유발할 수 있음을 인정하지만, 이는 관리 가능한 수준이라고 언급했습니다. 또한, 폐쇄(occlusion) 및 복잡한 위상(topology) 하에서 변형 물체의 인지가 여전히 어렵다는 점을 지적하며, 향후 연구로 멀티 뷰 센싱이나 학습된 출력 방정식의 활용을 제시했습니다. 마지막으로, 고차원 시스템 및 긴 호리즌(long horizon)에서의 메모리 사용량이 병목 현상이 될 수 있음을 확인하였으며, 이는 저차원(low-rank) SLS 응답 연산자 사용의 필요성을 시사합니다.