GPU-Parallel Linearization Error Bounds for Real-Time Robust Optimal Control of Nonlinear and Neural Network Dynamics

기술 요약: 실시간 강건 최적 제어를 위한 GPU 병렬 선형화 오차 경계(Linearization Error Bounds)

문제 정의
불확실한 비선형 시스템(신경망 역학을 포함한 시스템)의 안전한 실시간 제어는 강건 비선형 최적 제어 문제(RNOCP)를 해결하는 것을 필요로 합니다. 이는 최악의 외란 조건에서도 제약 조건 만족을 보장하는 제어 정책을 찾는 과정입니다. 시스템 수준 합성(SLS)은 비선형 역학을 선형 시변(LTV) 모델로 근사함으로써 고차원 시스템에 대해 다룰 수 있는 틀을 제공하지만, 이 근사 과정에서 선형화 오차가 발생합니다. 기존 방법들은 성능 유지를 위해 이 오차를 무시하거나, 지나치게 보수적인(느슨한) 도달 가능 튜브(reachable tubes)를 생성하여 컨트롤러를 무용지물로 만드는 전역 경계(global bounds)를 사용합니다. 핵심 과제는 오차를 최소화하면서도 형식적 안전성을 보존할 수 있도록, 최적화 도구가 궤적을 재형성할 수 있게 하는 동시에 정밀하고, 실시간 계산이 가능하며, 미분 가능한 선형화 오차 경계(LEB)를 개발하는 것입니다.

방법론
본 논문은 SLS 기반 강건 컨트롤러에 정밀하고 미분 가능한 LEB를 통합하는 GPU 병렬 프레임워크인 GPUSLS-LEO를 제안합니다. 이 방법론은 세 가지 구성 요소로 이루어져 있습니다.

1. 정밀하고 미분 가능한 LEB:

   • 해석적 역학(Analytic Dynamics)의 경우: 저자들은 경로 기반 헤시안(Path-Based Hessian, PBH) 경계를 도입합니다. 전체 상태 공간에 대해 헤시안을 평가하여 래핑 효과(wrapping effects)와 보수성을 초래하는 표준 구간 산술(interval arithmetic) 방식과 달리, PBH는 명목점(nominal point)에서 현재 상태까지의 좌표별 경로를 활용합니다. 이를 통해 도메인의 작은 접두사 부분 집합에 대해 헤시안 항목을 평가함으로써 테일러 나머지 항(Taylor remainder)의 더 정밀한 구간 포괄(interval enclosure)을 구현할 수 있습니다.
   • 신경망(NN) 역학의 경우: 이 방법은 CROWN(신경망 검증 도구)을 활용하여 NN 출력에 대한 아핀 경계(affine bounds)를 생성합니다. 이후 이 경계들을 명목점에서의 국소 자코비안(local Jacobian)을 사용하여 조정함으로써, 선형화 오차에 대한 인증된 건전한 구간 경계를 도출합니다.
   • 구현: 두 방법 모두 JAX로 구현되어 자동 미분과 GPU 병렬화를 지원합니다. 이를 통해 명목 궤적을 미세 조정하여 오차 경계를 직접 최소화하는 그래디언트 기반 정교화가 가능합니다.

2. 존토픽 전파를 이용한 강건 SLS 정식화:

   • 본 프레임워크는 **영점이 중심이 아닌 외란 집합(non-zero-centered disturbance sets)**과 우역행렬(right-invertible) 외란 행렬을 처리할 수 있도록 기존 SLS 솔버를 확장합니다. 이는 유도된 LEB가 반드시 영점을 중심으로 하지 않는 존토픽 불확실성 집합을 생성하기 때문에 매우 중요합니다.
   • 저자들은 외란 스케일링 행렬이 우역행렬인 경우, 가중 비용(weighted costs)으로 정식화된 강건 컨트롤러를 위한 최적화 문제가 효율적인 리카티(Riccati) 기반 방법으로 해결 가능한 표준 LQR 유사 문제와 동일함을 증명합니다.
   • 도달 가능한 튜브는 존토픽(zonotopes)을 사용하여 전파되며, 이는 외생적 외란과 선형화 오차의 민코프스키 합(Minkowski sum)을 정확하게 계산하여 타원체 근사가 갖는 보수성을 피합니다.

3. 반복 최적화 루프:

   • 솔버는 순차 이차 계획법(SQP)을 통한 반복 프로세스로 작동합니다. 각 반복 단계에서 명목 궤적과 강건 피드백 컨트롤러를 계산합니다.
   • 결정적으로, LEB의 미분 가능한 특성 덕분에 솔버는 비용 함수 내에서 오차 누적을 직접 페널티화할 수 있으며, 이를 통해 명목 궤적이 선형화 오차가 최소화되는 영역을 향하도록 유도할 수 있습니다.

주요 기여

• 새로운 경계 산출 방법: 표준 글로벌 또는 구간 방식보다 더 정밀한, 해석적 시스템을 위한 경로 기반 헤시안 경계 및 신경망 역학을 위한 검증기 기반 경계를 포함한 일련의 검증 가능한 건전한 LEB를 제시합니다.
• 강한 SLS 정식화: 정밀한 존토픽 전파를 통해 선형화 오차를 포함하며, 특히 우역행렬 외란 행렬과 영점이 중심이 아닌 집합을 처리하여 강건한 제약 조건 만족을 보장하는 새로운 비선형 SLS 정식화를 제안합니다.
• GPU 가속 솔버 (GPUSLS-LEO): 실시간 그래디언트 기반 강건 비선형 최적 제어를 가능하게 하는 미분 가능한 JAX 기반 GPU 병렬 구현체입니다.
• 확장성 및 성능: 최대 168개의 상태 차원(14개의 결합된 3D 쿼드로터) 및 약 $2 \times 10^5$개의 결정 변수를 가진 시스템에 대한 실험적 검증을 수행했습니다.

결과

• 정밀도: 위성 및 쿼드로터 시스템에서 PBH 방법은 글로벌 샘플링, 표준 구간 헤시안 및 무작위 샘플링 베이스라인에 비해 가장 정밀한 상한(over-approximation)을 생성했습니다.
• 보수성 감소: 7D 위성 자세 제어 작업에서 GPUSLS-LEO는 NL-SLS(글로벌 경계 사용)보다 20%, GPUSLS-E(타원체 전파)보다 45% 더 작은 튜브를 달성했습니다. 평면 쿼드로터의 경우, 제어 수축 메트릭(CCM) 대비 튜브 면적을 91% 줄였습니다.
• 안전 보장: Neural T-pusher 시스템과 고차원 결합 쿼드로터를 포함한 모든 테스트 시나리오에서, 계산된 강건 튜브 내에 시뮬레이션 롤아웃을 100% 포함하는 데 성공했습니다. 선형화 오차를 누락한 베이스라인(예: 표준 GPUSLS)은 모든 궤적을 포함하는 데 실패했습니다.
• 실시간 성능: NVIDIA RTX 4090에서 최대 67 Hz의 제어 속도를 달립했습니다. 작은 시스템의 경우 솔루션 시간이 15ms 정도로 낮았으며, 복잡하고 고차원적인 문제에서도 이산화 시간 단계(discretization time step) 미만을 유지했습니다. PBH 방법은 해석적 시스템에 대해 1ms 미만으로 실행되어, 조밀한 무작위 샘플링보다 훨씬 빨랐습니다.

의의
본 논문은 이론적 강건성과 실제적 성능 사이의 간극을 메운다고 주장합니다. 정밀하고 미분 가능하며 실시간 계산이 가능한 오차 경계를 제공함으로써, RNOCP 솔버가 계산 효율성을 희생하지 않으면서도 선형화 오차를 공식적으로 고려할 수 있게 합니다. 이를 통해 기존에는 정확한 도달 가능성(reachability) 계산의 난해함이나 기존 경계의 느슨함으로 인해 제한되었던, 복잡하고 고차원적인 시스템(학습된 역학 포함)에 대한 검증된 강건 컨트롤러의 실시간 배포를 가능하게 합니다.