⚡ electrical engineering

Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight

본 논문은 미세한 훈련 데이터만을 사용하여 최첨단 비선형 모델 예측 제어 성능과 일치하면서도 계산량은 10분의 1 수준으로 줄인, 실시간의 효율적인 쿼드로터 대형 비행을 가능하게 하기 위해 미분 평탄성(differential flatness)을 보존하는 물리 정보 기반 잔차 학습 프레임워크를 제안하며, 이를 통해 추적 오차를 현저히 감소시킨다.

원저자: Pei-An Hsieh, Fengjun Yang, Nikolai Matni, M. Ani Hsieh

게시일 2026-07-15

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Pei-An Hsieh, Fengjun Yang, Nikolai Matni, M. Ani Hsieh

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

작고 윙윙거리는 드론 무리가 마치 벌떼가 열쇠구멍을 통과하려는 것처럼 아주 좁은 간격으로 밀집하여 비행하려고 하는 모습을 상상해 보세요. 문제는 무엇일까요? 드론들이 그 정도로 가까워지면 공기가 엉망이 된다는 것입니다. 위의 드론이 공기를 아래로 밀어내면(마치 낙엽 청소기처럼), 그 공기가 아래에 있는 드론을 때려 경로를 이탈하게 만듭니다. 만약 드론들이 이런 일이 일어나고 있다는 사실을 모른다면, 서로 충돌하거나 통제력을 잃고 회전할 수 있습니다.

오랫동안 이를 해결하는 가장 똑똑한 방법은 "비선형 모델 예측 제어(Nonlinear Model Predictive Control, NMPC)"라는 매우 똑똑한 컴퓨터 프로그램입니다. NMPC를 한 시간 동안 일어날 수 있는 모든 가능한 미래의 움직임을 계산하기 전에 미리 계산해 두는 천재 체스 선수라고 생각하면 됩니다. 이 방식은 매우 훌륭하지만, 너무 무겁고 느려서 거대한 컴퓨터가 필요합니다. 대부분의 작은 드론에는 그런 큰 컴퓨터가 들어있지 않습니다.

핵-아이디어: "플랫(Flat)"이라는 지름길
연구진들은 영리한 묘수를 찾아냈습니다. 만약 드론의 뇌에 특정 유형의 레슨—즉, 위치와 속도에 관한 물리 법칙을 엄격히 따르는 레슨—을 가르친다면, 수학적 구조를 "플랫(flat)"하게 유지할 수 있다는 사실을 깨달은 것입니다.

드론 물리학의 세계에서 "플랫"하다는 것은 바닥에 누워 있다는 뜻이 아니라, 수학이 단순해져서 슈퍼컴퓨터 없이도 문제를 풀 수 있다는 것을 의미합니다. 이는 우산을 가져가야 할지 결정하기 위해 전체 기상 시스템을 계산하는 대신, 바로 머리 위 하늘만 보는 것과 같습니다. 드론의 학습 모델이 오직 드론의 위치와 속도만을 보도록 강제함으로써, 그들은 수학을 단순하게 유지했습니다.

하이브리드 뇌: 물리 + 학습
이것이 작동하게 만들기 위해, 연구진은 드론에게 "하이브리드 뇌"를 부여했습니다.

물리 부분: 그들은 먼저 공기가 한 드론에서 다른 드론으로 어떻게 흐르는지에 대한 기본적인 수식(예: 뜨거운 공기는 위로 올라간다는 규칙)에서 시작했습니다. 이것이 "물리적 사전 지식(physics prior)"입니다.
학습 부분: 그다음, 신경망이 이 기본적인 규칙이 놓친 복잡하고 기묘한 세부 사항들을 학습하도록 했습니다.

이 학습 부분이 물리 법칙 위에 구축되었기 때문에, 드론은 이웃 드론의 바람이 자신을 어떻게 밀칠지 정확히 예측할 수 있었습니다. 덕분에 그들은 훨씬 더 단순한 제어기(표준 크루즈 컨트롤 같은 것)를 사용하여, 바람의 압력이 발생하기도 전에 즉각적으로 상쇄할 수 있었습니다.

결과: 빠르고, 가볍고, 정확함
연구팀은 실제 하드웨어, 즉 작은 창문을 통과하는 실제 소형 드론들을 대상으로 테스트를 진행했습니다. 결과는 다음과 같습니다.

실수 감소: 이 방식은 이러한 추가적인 도움 없이 비행하는 표준 방식과 비교했을 때 평균 추적 오차를 31% 줄였습니다.
속도: 무겁고 느린 NMPC "천재" 제어기의 성능을 따라잡으면서도, 컴퓨팅 파워는 7배 적게 사용했습니다.
학습: 시스템이 바람을 다루는 법을 배우는 데 단 30초의 비행 데이터만 필요했습니다.
루프 속도: 시스템은 5밀리초마다 결정을 내리고 모터를 조절할 수 있었습니다(이는 믿기 힘들 정도로 빠른 속도입니다).

하지 않은 것 (그리고 그것이 중요한 이유)
이 논문은 자신들의 연구가 무엇이 아닌지를 매우 신중하게 밝히고 있습니다. 그들은 소형 드론에 대해 "천재적인" NMPC 방식을 사용하는 것이 너무 무겁기 때문에 이를 명시적으로 배제했습니다. 또한 단순히 이 방식이 작동할 것이라고 추측한 것이 아니라, 실제 하드웨어 실험을 통해 증명했습니다.

또한, 그들은 드론에게 공기에 대한 모든 것을 학습시키려고 하지 않았습니다. 만약 드론이 가능한 모든 변수를 학습하도록 내버려 두었다면, 수학적 구조가 깨졌을 것이고 "플랫함"은 사라져 단순한 제어기를 사용하는 것이 불가능해졌을 것입니다. 바람이 오직 위치와 속도에 달려 있다는 특정 규칙을 고수함으로써, 그들은 시스템을 안정적이고 빠르게 유지할 수 있었습니다.

결론
이것은 모든 비행 문제를 영원히 해결하는 마법 지팡이는 아니지만, 매우 중요한 진전입니다. 이는 거대한 슈퍼컴퓨터를 탑재하지 않고도 정밀하고 충돌 없는 비행을 구현할 수 있음을 보여줍니다. 이는 마치 인공위성이 트랙의 모든 인치를 계산하기를 기다리는 대신, 도로의 느낌을 통해 코너를 예측하도록 레이싱 카 운전자를 가르치는 것과 같습니다. 그 결과는 무엇일까요? 드론 군집이 작은 뇌를 가지고도 좁은 간격으로, 빠르고, 안전하게 비행할 수 있게 된 것입니다.

기술 요약: 실시간 밀집 쿼드로터 대형 비행을 위한 평창성 보존 잔차 학습 (Flatness-Preserving Residual Learning)

문제 정의

여러 대의 쿼드로터를 근접하게 비행시키는 것은 다운워시(downwash)와 같은 난류 공기역학적 상호작용으로 인해 심각한 과제를 안겨줍니다. 이러한 미모델링된 외란을 무시할 경우, 추적 성능이 저하되거나 치명적인 충돌로 이어질 수 있습니다. 비행 데이터로부터 잔차 역학(residual dynamics)을 학습하는 방식이 해결책이 될 수 있으나, 일반적이고 구조화되지 않은 잔차 모델을 제어 파이프라인에 통합하는 작업은 통상적으로 비선형 모델 예측 제어(NMPC)를 필요로 합니다. 그러나 NMPC는 계산 비용이 많이 들고 모델 복잡성에 따라 확장성이 떨어지므로, 실시간 성능(예: 5ms 루프 레이트)이 필요한 자원 제한적 비행 스택에는 부적합합니다. (예: 평활성(smoothness)과 같은 구조적 제약을 가하는 기존 방식들은 복잡한 다중 에이전트 상호작용에 필요한 표현력이 부족하거나, 선제적인 피드포워드 보상(anticipatory feedforward compensation)을 제공하지 못하는 경우가 많습니다.)

방법론

저자들은 물리적 모델의 충실도와 제어 효율성 사이의 균형을 맞추기 위해, 결합된 다중 쿼드로터 시스템이 **미분 평창성(differential flatness)**을 유지하도록 보장하는 물리 정보 기반 잔차 역학 학습 프레임워크를 제안합니다.

1. 평창성 보존 파라미터화 (Flatness-Preserving Parameterization)

핵심적인 이론적 기여는 학습된 잔차 역학이 쿼드로터 팀의 결합 위치 및 속도에 엄격하게 의존하도록 제한하는 것입니다 ( $\xi = [p_1, v_1, \dots, p_N, v_N]^\top$ ).

미분 평창성: 잔차 의존성을 운동학적 상태로 제한함으로써, 증강된 역학은 명목 강체 시스템(nominal rigid-body system)의 미분 평창성 특성을 보존합니다. 이를 통해 시스템 상태와 제어 입력은 평창 출력(flat outputs, 위치 및 요(yaw))과 그 미분값들로부터 대수적으로 재구성될 수 있습니다.
제어기 설계: 이 보존된 평창성을 활용하여 저자들은 계산 효율적인 피드백 선형화 제어기를 설계합니다.
- 피드포워드 보상: 제어기는 학습된 잔차를 사용하여 추력 및 토크 계산의 피드포워드 항에 포함함으로써 공기역학적 외란을 상쇄합니다.
- 선형 튜닝: 시스템이 평창되었기 때문에, 복잡한 비선형 최적화 없이 표준 선형 제어 기법(예: PID)을 사용하여 피드백 이득을 튜닝할 수 있습니다.
- 강건성: 고차 미분(특히 잔차의 2차 미분)으로 인한 노이즈 증폭을 피하기 위해, 토크 입력은 정확한 동역학적 확장(dynamic extension) 대신 각속도 오차에 대한 고이득 비례 제어를 사용합니다.

2. 물리 정보 기반 잔차 학습 (Physics-Informed Residual Learning)

평창성 보존 파라미터화에 따른 표현력 손실 가능성을 완화하기 위해, 잔차 모델은 **물리 기반 차수 축소 모델(ROM)**과 학습된 신경망 항의 합으로 구성됩니다.
$\hat{f}(\xi) = \hat{f}_d(h_0) + \hat{f}_\Theta(h_0)$

물리적 사전 지식 ( $\hat{f}_d$ ): 상대적인 수직( $\Delta z$ ) 및 반경( $\Delta r$ ) 간격을 기반으로 유도된 공기 흐름 속도를 추정하는, 선행 연구에서 채택된 쌍별(pairwise) 다운워시 모델입니다. 이는 물리적으로 근거 있는 토대를 제공합니다.
학습된 항 ( $\hat{f}_\Theta$ ): 상대적 운동학으로부터 유도된 회전 변환 불변 특징(rotationally equivariant features)을 바탕으로, ROM이 포착하지 못한 잔차 오차를 학습하는 신경망입니다.

주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

결합 평창성의 이론적 증명: 저자들은 구조화된 잔차 파라미터화(결합 위치 및 속도에 의존)로 명목 강체 역학을 증강하면 다중 쿼드로터 팀의 결합 미분 평창성이 보존됨을 입증했습니다. 또한 상태와 입력을 평창 출력으로부터 재구성하기 위한 매핑을 명시적으로 도출했습니다.
샘플 효율적 학습 프레임워크: 알려진 물리적 구조(대칭성 및 ROM)를 활용하여 제한된 데이터로 학습이 가능하도록 하는 잔차 학습 프레임워크를 제안합니다.
효율적인 제어기 설계: 학습된 잔차를 활용하여 예측적 피드포워드 보상을 수행하면서도, 평창 기반 제어의 계산적 이점을 유지하는 제어기를 설계했습니다.
실험적 검증: 제안된 방법은 시뮬레이션 및 하드웨어 실험 모두에서 평가되었으며, SOTA(State-of-the-art) NMPC 베이스라인과 대등한 성능을 보이면서도 현저히 낮은 계산 요구량을 입증했습니다.

결과

추적 성능: 하드웨어 실험 결과, 제안된 프레임워크는 공기역학적 효과를 무시하는 명목 베이스라인 대비 평균 추적 오차를 31% 감소시켰습니다.
NMPC와의 비교: 제안된 제어기는 SOTA NMPC 베이스라인(구체적으로 KNODE-MPC 프레임워크)과 대등한 추적 성능을 달성하면서도, 동일한 하드웨어 설정에서 10배 적은 계산량(구체적으로 7배 적은 연산)을 요구합니다.
데이터 효율성: 본 시스템은 30초 미만의 학습 데이터만으로 안정적인 밀집 대형 비행(간격 1.1m에서 0.1m로 좁히기)을 달성했습니다.
실시간 능력: 이 접근 방식은 5ms 루프 레이트에서 성공적으로 작동하여, 계산 자원이 제한된 비행 스택을 위한 고충실도 공기역학 보상을 가능하게 합니다.

의의 및 주장

본 논문은 피드백 선형화 제어기에 학습된 잔차를 적용하여 밀집 쿼드로터 대형 비행을 구현한 첫 번째 사례라고 주장합니다.

이 연구의 의의는 고충실도 공기역학 모델링과 실시간 계산 제약 사이의 간극을 메우는 데 있습니다. 미분 평창성을 보존함으로써, 저자들은 복잡한 학습된 다중 에이전트 역학을 위해 단순한 선형 제어 튜닝 기법을 사용할 수 있게 했습니다. 이 접근 방식은 NMPC의 계산적 병목 현상을 제거하면서도 그 성능을 유지하며, 이를 통해 안정적인 고속 대형 비행을 가능하게 합니다. 저자들은 이를 "계산 자원이 제한된 비행 스택"을 위한 솔루션으로 제시하며, 최소한의 학습 데이터와 낮은 지연 시간 실행으로도 안정적인 밀집 대형 비행이 가능함을 입증했습니다.