기술 요약: ELASTIC ODYN

문제 정의

로봇 시스템은 종종 상충하는 목적 함수, 모델링 오류, 또는 퇴화된 접촉 조건(예: 계수 결핍 접촉 자코비안)으로 인해 최적화 문제가 실행 불가능(infeasible)해지는 시나리오에 직면합니다. 표준 이차 계획법(Quadratic Programming, QP) 솔버와 미분 가능한 최적화 레이어는 일반적으로 실행 가능성(feasibility)을 가정합니다. 제약 조건을 동시에 만족할 수 없을 때, 이러한 방법들은 수치적 실패, 불안정한 그래디언트, 또는 솔버의 완전한 붕괴를 겪게 됩니다. 이러한 한계는 특히 중간 반복 계산(iterates)이 실행 불가능할 수 있는 실시간 고차원 로보틱스 파이프라인에서 모델 예측 제어(MPC), 순차 이차 계획법(SQP), 그리고 학습 기반 로보틱스 파이프라인의 견고성을 저해합니다.

방법론

본 논문은 부드러운 제곱-$\ell_2$ 탄성 완화(elastic relaxations)를 통해 실행 불가능성, 퇴화성 및 악조건(ill-conditioning)을 처리하도록 설계된 프레임워크인 ELASTIC ODYN을 소개합니다. 이 방법론은 세 가지 핵심 구성 요소로 구축되었습니다:

1. ELASTIC ODYN 솔버

이는 원형-쌍대(primal–dual) 비내점법(non-interior-point) QP 솔버입니다. 중심 경로(central path)를 따르기 위해 엄격한 실행 가능성을 요구하는 내점법(IPM)과 달리, ELASTIC ODYN은 실행 가능 집합 외부에서 작동합니다.

• 탄성 정식화(Elastic Formulation): 하드 제약 조건($Ax=b, Gx \le h$)은 목적 함수의 이차 페널티를 가진 탄성 변수($s_e, s_i$)를 사용하여 완화됩니다. 이는 원래의 제약 조건이 모순되는 상황에서도 잘 정의된 형태(well-posed)를 유지하도록 문제를 무제약 형태로 변환합니다.
• 페널티-장벽 접근법(Penalty–Barrier Approach): 솔버는 장벽 함수가 슬랙 변수(slack variables)에 직접 작le하는 대신 합의 변수(consensus variable)에 작용하는 페널티-장벽 정식화를 사용합니다. 이를 통해 반복 계산이 실행 가능 영역의 내부를 벗어나면서도 잘 정의된 원형-쌍대 구조를 유지할 수 있습니다.
• 뉴턴 시스템(Newton System): 이 방법은 뉴턴법을 통해 해결되는 축소된 탄성 KKT 시스템을 채택합니다. 또한 퇴화성 하에서의 견고성을 보장하기 위해 원형 및 쌍대 변수에 대한 근사 페널티(proximal penalties)를 포함합니다.
• 수렴성(Convergence): 실행 가능한 점이 존재하지 않을 때, 솔버는 "최소 위반 $\ell_2$ 의미에서의 가장 실행 가능한 것에 가까운" 해로 수렴함이 보장됩니다.

2. 쌍대 변수 정밀화(Dual Variable Refinement)

탄성 정식화가 견고한 원형 해(primal solution)를 제공하지만, 연관된 쌍대 변수는 실제 물리적 민감도(예: 접촉력)보다는 페널티가 부여된 위반을 인코딩합니다. 이를 해결하기 위해 저자들은 가벼운 **정밀화 단계(refinement stage)**를 도입했습니다. 이 단계는 탄성 원형 해로부터 웜 스타트(warm-start)를 수행하고, 제약 조건을 최적 탄성 완화 변수만큼 이동시킨 후, 하드 제약 문제를 재해결합니다. 이를 통해 단 몇 번의 반복만으로 물리적으로 의미 있는 쌍대 변수와 일관된 민감도를 회복합니다.

3. 미분 가능 및 SQP 확장

• ELASTIC ODYNLAYER: 학습 파이프라인으로 솔버를 확장하는 미분 가능한 QP 레이어입니다. 이는 실행 불가능한 상황에서도 엄격하게 볼록(strictly convex)하며 $C^1$(연속 미분 가능) 상태를 유지합니다. 역전파(backward pass)는 KKT 시스템을 통한 암시적 그래디언트와 탄성 완화 변수로부터 유도된 명시적 보정을 결래하여, 제약 조건이 충돌하는 상황에서도 매개변수 식별을 위한 안정적인 그래디언트를 보장합니다.
• ELASTIC ODYNSQP: 비선형 최적 제어를 위한 실행 불가능성을 인지하는 SQP 방법입니다. 이는 일관되지 않은 선형화와 본질적으로 실행 불가능한 과업을 해결하기 위해, 특정 제약 범주(예: 동역학 vs 운동학)를 탄성 블록으로 선택적으로 완화하면서 다른 범주는 하드로 유지합니다. 또한 탄성 페널티와 하드 잔차(residual) 사이의 균형을 맞추는 메리트 함수(merit function)를 사용하여 하강(descent)을 보장합니다.

주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

1. ELASTIC ODYN 솔버: 실행 불가능하고, 퇴화되었으며, 악조건인 문제를 견고하게 처리할 수 있는 부드러운 $\ell_2$-탄성 비내점법 QP 솔버입니다.
2. 쌍대 회복(Dual Recovery): 탄성 해로부터 해석 가능한 쌍대 변수를 회복하는 정밀화 절차를 제공하여, 본 프레임워크를 접촉 물리 응용 분야에 적합하게 만듭니다.
3. 미분 가능한 최적화: 실행 불가능한 문제에서도 잘 정의된 미분값을 생성하는 투영이 필요 없는(projection-free) 완전한 부드러움의 QP 레이어인 ELASTIC ODYNLAYER를 통해, 제약된 환경에서의 그래디언트 기반 학습을 가능하게 합니다.
4. 실행 불가능성을 인지하는 SQP: 선택적 제약 완화를 통해 일관되지 않은 하위 문제와 실행 불가능한 최적 제어 과업을 해결하는 ELASTIC ODYNSQP 프레임워크입니다.

실험 결과

프레임워크는 네 가지 도메인에서 평가되었습니다:

• 벤치마크 QP: Maros–Mészáros 테스트 세트에서 ELASTIC ODYN은 고정밀 및 섭동(perturbed) 환경에서 PROXQP, OSQP, GUROBI와 같은 최신 솔버와 비교하여 우수한 웜 스타트 성능과 낮은 실패율을 보여주었습니다.
• 악조건/실행 불가능한 QP: 의도적으로 충돌하는 제약 조건과 열악한 스케일링을 가진 테스트에서, ELASTIC ODYN은 경쟁 솔버들이 실패하거나 시간 초과가 발생하는 반면, 분석적인 최소제곱 해로 일관되게 수렴했습니다.
• 접촉 역학: 퇴화된 접촉 법선을 포함하는 마찰 없는 디스크-인-튜브(disc-in-tube) 시뮬레이션에서, 솔버는 제어된 침투를 허용함으로써 싱귤러리티(singularity)를 성공적으로 해결하고, 표준 방식이 실패하는 지점에서 힘 생성을 복구했습니다.
• 학습 및 제어:
  • 매개변수 식별: 미분 가능한 레이어는 탄성 충격 설정에서 반발 계수를 성공적으로 학습하였으며, 초기 실행 불가능성에도 불구하고 지면 진리값(ground truth)으로 부드럽게 수렴했습니다.
  • 궤적 최적화: 사족 보행(ANYmal) 및 휴머노이드(Talos) 보행 작업에서, ELASTIC ODYNSQP는 하드 제약 SQP 방법이 멈추거나 발산하는 상황에서도, 충돌하는 목표와 타이트한 제약 조건 하에서도 실행 가능한 해 또는 최소제곱 해로 수렴했습니다.

의의

본 논문은 ELASTIC ODYN이 실행 불가능성 처리, 수치적 견고성, 그리고 미분 가능성을 통합하여 기존의 결함을 해결한다고 주장합니다. 실행 가능성 가정 너머로 나아감으로써, 이 프레임워크는 다음을 가능하게 합니다:

• 견고한 제어: 제약 조건이 일시적으로 충돌할 수 있는 동적인 환경에서의 신뢰할 수 있는 운용.
• 안정적인 학습: 실행 불가능한 영역을 통과하면서도 그래디언트 붕괴 없이 최적화 레이어를 학습할 수 있는 능력.
• 통합된 프레임워크: 실행 불가능성이나 퇴화로 인해 솔버 붕괴가 발생하기 쉬웠던 시뮬레이션, 제어, 학습 과업을 모두 다루는 단일 접근 방식.

저자들은 이 연구를 기존 방법론의 실행 가능성 가정을 넘어 효과적으로 작동할 수 있는 최적화 기반 로보틱스를 향한 단계로 규정합니다.