Decentralized Geometric Control for Cable-Suspended Payload Transport with Adaptive Mass Estimation

기술 요약: 적응형 질량 추정을 이용한 케이블 현수 페이로드 운송을 위한 분산형 기하학적 제어

문제 정의
여러 대의 쿼드로터와 케이블로 매달린 페이로드를 이용한 협력 항공 운송은 단일 차량 시스템에 비해 용량과 결함 허용 능력을 높여준다. 그러나 이러한 시스템은 다음과 같은 중대한 과제에 직면한다: 매니폴드($\text{SE}(3) \times (\text{S}^2)^N$) 상의 비선형 동역학, 중앙 집중식 조정 없는 분산형 운영의 필요성, 그리고 엄격한 안전 제약 조건(케이블 느슨함, 과도한 흔들림, 충돌 및 기체 기울기). 기존 솔루션은 중앙 집중식 상태 정보에 의존하거나, 전체 에이전트 수($N$)와 페이로드 질량($m_L$)에 대한 지식을 요구하거나, 큰 각도 기동 시 안정성을 잃는 선형화된 동역학을 사용하는 경우가 많다. 또한, 실제 환경의 요인인 유연한 케이블, 바람에 의한 외란, 센서 노이즈는 이론적 프레임워크에서 종종 무시된다. 기하학적 매니폴드 제어, 지속적 흥분(persistent excitation) 없는 분산형 적응형 추정, 그리고 다중 UAV 케이블 운송을 위한 런타임 안전 감독을 결합한 통합된 프레임워크가 부족한 실정이다.

방법론: GPAC 아키텍처
저자들은 $N$대의 쿼드로터가 중앙 조정자나 케이블 상태/적응 파라미터의 교환 없이 페이로드를 운송할 수 있도록 설계된 4계층 계층 구조인 GPAC(Geometric Payload Adaptive Control)를 제안한다. 이 시스템은 전체 비선형 구성 매니폴드 상에서 직접 작동한다.

1. 핵심 통찰 (암묵적 협력): 각 쿼드로터는 오직 국부적인 케이블 측정값(장력 및 방향)만을 사용하여 자신의 유효 하중 분담량(페이로드 질량 분담량 + 자신의 케이블 질량)을 독립적으로 추정한다. 이러한 개별 추정치의 합은 자연스럽게 팀이 지탱해야 할 총 무게로 수렴하며, 이를 통해 사전에 $N$이나 $m_L$을 알 필요가 없어진다.
2. 레이어 1: 위치 및 안티 스윙 (50 Hz): PID 피드백, 피드포워드 보상(중력, 궤적 및 케이블 장력), $\text{S}^2$ 상의 안티 스윙 제어 및 외란 제거를 사용하여 원하는 힘을 계산한다. 이는 에이전트 고유의 케이블 기하학으로부터 페이로드 위치를 국부적으로 재구성한다.
3. 레이어 2: 기하학적 자세 제어 (200 Hz): $\text{SO}(3)$ 상의 기하학적 추적 컨트롤러는 오일러 각 특이점을 피하며 거의 전역적인 지수 안정성(almost-global exponential stability)을 보장한다.
4. 레이어 3: 적응형 질량 추정: **동시 학습(concurrent learning)**을 사용하여 페이로드 질량 분담량을 추정한다. 이 방법은 저장된 데이터를 활용하여 일반적인 적응 법칙에서 요구되는 "지속적 흥분(persistent excitation)" 없이도 수렴을 달성하며, 이는 호버링이나 저속 기동 중에 매우 중요하다.
5. 레이어 4: 확장 상태 관측기 (ESO): 3차 관측기인 ESO는 뭉쳐진 외란(예: 바람)을 추정하여 피드포워드 보상을 제공한다.
6. 지원 모듈:
   • ESKF 센서 퓨전: 15개 상태를 가진 확장 칼만 필터가 IMU, GPS, 기압계 데이터를 융합한다. 모든 제어 루프는 그라운드 트루스가 아닌 이 추정기를 통해 폐쇄된다.
   • 우선순위 지정 CBF 안전 필터: 운영 제약 조건(케이블 팽팽함, 각도, 스윙 속도, 기체 기울기 및 에이전트 간 충돌)을 감독하는 모듈형 레이어이다. 계산 비용을 최소 최소화하기 위해 전체 이차 계획법(QP) 대신 순차적 경사 투영 방식을 사용한다. 이는 추정된 외란에 따라 규모가 조절되는 입력-상태 안전(ISSf) 마진을 채택한다.

주요 기여

1. 코디네이터가 필요 없는 제어: 페이로드/케이블 상태나 적응 파라미터의 교환 없이 작동하며, 비선형 매니폴드 상에서 동작하는 컨트롤러이다. 에이전트는 페이로드 위치를 국부적으로 재구성하며, 충돌 방지를 위해서만 저속의 이웃 위치 정보를 통신한다.
2. 분산형 적응형 추정: 동시 학습을 사용하여 지속적 흥분 없이도 유계 균일 최종 궤적(UUB) 근방으로 유효 하중 분담량(케이블 질량 포함)에 지수적으로 수렴하는 추정기를 제공한다.
3. 안전 감독: 과도한 스윙, 충돌 및 케이블 느슨함을 방지하는 우선순위 지정 제어 장벽 함수(CBF) 레이어이다. 논문은 안전 필터에 의해 유도된 힘 수정이 원하는 자세를 $\text{SO}(3)$ 컨트롤러의 거의 전역적 안정 영역 내에 유지함을 증명한다.
4. 고충실도 검증: 유연한 비드 체인(bead-chain) 케이블, 온보드 센서 퓨전, Dryden 난류를 포함한 고충실도 Drake 기반 시뮬레이션 환경을 통해 검증되었다. 모든 루프는 추정기를 통해 폐쇄된다.

결과
시스템은 3대의 쿼드로터($N=3$)와 3.0 kg 페이로드가 바람 난류 및 비대칭 케이블 길 조건 하에 있는 고충실도 Drake 기반 시뮬레이션에서 검증되었다.

• 추적 성능: 시스템은 평균 3D 페이로드 추적 제곱평균제곱근 오차(RMSE) 33.8 cm(13개 시드에 대해 2.8% 변동 계수)를 달면했다.
• 추정: 동시 학습 추정기는 에이전트당 1.18 kg(실제 분담량 1.0 kg + 케이블 질량)의 정상 상태 평균값으로 수렴하였으며, 페이로드 질량이 증가함에 따라 편차가 감소하였다.
• 안전 및 제약 조건:
  • 장력: 안정적인 비행 중 양(+)의 장력을 유지하였으며, 공격적인 코너링 시 약 0.7 N까지 일시적으로 낮아졌다.
  • 충돌: $N=3$일 때 에이전트 간 간격을 0.67 m(한계 0.8 m) 이상으로 유지하였다.
  • 스윙 속도: 1.5 rad/s 제한 내에 엄격히 유지되었다.
  • 기울기: 28.6° 한계 근처에서 작동하였으며, 부하 발생 시 이를 약간 초과하였다(최대 32°).
  • 케이블 각도: 공격적인 코너링 중 34.4° 한계를 초과하였다(48° 도달). 이는 힘 레벨의 필터가 권한을 갖는 상대 차수가 2인 출력임을 확인시켜 준다.
• 절제 연구(Ablation Studies): ESO 피드포워드를 제거하면 추적 오차가 두 배로 증가(+110%)하고 케이블 각도가 68°까지 도달하였다. CBF 필터를 제거하면 오차가 19% 증가하고 간격이 0.32 m로 줄어들었다. 동시 학습 피드포워드는 추적 RMSE에 중립적인 영향을 미쳤으나(적분기가 정적 결손을 흡수함), 암묵적 협력을 위해서는 필수적이었다.
• 확장성: 에이전트당 컨트롤러는 $N \in \{2, \dots, 6\}$에 대해 구조적으로 재사용 가능했다. 그러나 고정된 대형 기하학 구조로 인해 $N \ge 4$일 때 안전 마진(간격)이 크게 저하되었다.

의의 및 주장
본 논문은 기하학적 매니폴드 제어, 분산형 적응형 추정, 런타임 안전 감독 사이의 간극을 메운다고 주장한다. 이는 팀 규모나 페이로드 질량을 알지 못하고도, 복잡한 상태 정보를 교환하지 않고도 팀의 조율된 운송을 달 수 있음을 보여준다. 아키텍처는 유연한 케이블과 바람 외란을 성공적으로 처리한다.

저자들은 다음과 같은 한계점을 겸허히 언급한다:

• 분산형 단일 케이블 하중 위치 추정은 관측성 문제로 인해 정확도가 낮다(단, 이는 추적 루프에는 영향을 미치지 않는다).
• 순차적 CBF 투영은 여러 제약 조건이 동시에 활성화될 때 완전한 ISSf보다는 우선순위 지정된 타당성을 보장한다.
• 공격적인 기동 중에는 케이블 각도 제약이 엄격하게 강제되지 않는다.
• 현재 결과는 시뮬레이션 전용이며, 하드웨어 비행 실험이 다음 단계로 식별되었다.

이 연구는 기하학적 분해와 결합된 국부 적응형 추정 및 계층적 안전 감독이 안전이 중요한 협력 항공 운송을 위한 견고한 프레임워크를 제공함을 입증한다.