Gaussian behaviors and stochastic data-driven control

정답을 맞히는 기술: 기계가 실수를 통해 배우는 법

당신이 로봇에게 자동차 운전법을 가르치고 있다고 상상해 보십시오. 옛날에는 엔지니어들이 자동차가 마주칠 수 있는 모든 덜컹거림, 곡선, 바람의 돌풍을 설명하는 거대한 매뉴얼을 작성하기 위해 수년을 보냈습니다. 이것을 "모델링(modeling)"이라고 부릅니다. 하지만 세상이 매뉴얼을 만들기에는 너무나도 무질서하다면 어떨까요? 만약 자동차가 화요일마다 물리 법칙이 미세하게 변하는 행성 위를 달리고 있다면 어떨까요?

여기서 **데이터 기반 제어(data-driven control)**라는 분야가 등장합니다. 매뉴얼을 쓰는 대신, 로봇에게 자동차가 주행하는 영상 수천 개를 그냥 보여주는 것입니다. 로봇은 영상 속의 패턴을 관찰하며 "아, 내가 핸들을 왼쪽으로 돌리면 차가 왼쪽으로 가는구나"라는 것을 스스로 깨닫습니다. 영상이 완벽하다면 이 방식은 아주 잘 작동할 것입니다. 하지만 현실 세계의 데이터는 지저도합니다. 때로는 자동차가 얼음 위에서 미끄러지기도 하고(무작위 노이즈), 때로는 로봇이 새로운 상황에서 무엇을 해야 할지 알 만큼 충분한 영상을 보지 못했을 수도 있습니다(지식의 부족).

과학자들이 던지는 핵심 질문은 이것입니다. 단순히 '평균적인' 경로를 추측하는 것이 아니라, 자신이 얼마나 '불확실한지'까지 이해하는 제어기를 어떻게 만들 것인가? 로봇이 확신이 없다면 조심스러워야 하고, 확신이 있다면 대담해질 수 있어야 합니다. 이 논문은 바로 이 문제에 깊이 파고들어, 기계가 관찰한 데이터를 바탕으로 더 나은 "직관(gut feeling)"을 가질 수 있도록 만드는 방법을 연구합니다.

---

논문: 로봇에게 "직관"을 부여하기

이 논문의 저자인 안드라스 사스피(András Sasfi)와 그의 팀은 기계가 무질서한 데이터로부터 학습하는 방식을 설명하는 새로운 방법을 발명했습니다. 그들은 이 발명품을 **"가우시안 행동(Gaussian Behaviors)"**이라고 부릅니다.

이것이 무엇인지 이해하기 위해, 당신이 튀어 오르는 공의 경로를 예측하려고 한다고 상상해 보십시오.

1. 결정론적 부분(The Deterministic Part): 당신은 기본적인 물리 법칙을 알고 있습니다. 만약 공을 특정 각도로 던진다면, 공은 반드시 특정한 매끄러운 곡선을 따라 움직여야 합니다. 논문의 언어로 way, 이것은 "명목 행동(nominal behavior)"입니다. 이는 공이 가고자 하는 완벽하고 깨끗한 경로를 의미합니다.
2. 노이즈 부분(The Noise Part): 하지만 실제로는 바람이 불고, 바닥은 울퉁불퉁하며, 공은 흔들릴 수 있습니다. 이것이 "가우시안 노이즈(Gaussian noise)"입니다. 이는 공을 완벽한 경로에서 벗어나게 만드는 무작위적인 흔들림입니다.

이 논문은 이 두 가지를 결합하는 프레임워크를 제안합니다. 시스템을 딱딱한 기계로 보는 것이 아니라, 하나의 "구름(cloud)"으로 취급하는 것입니다. 구름의 중심은 완벽한 경로이며, 구름의 크기는 공이 얼마나 흔들릴 수 있는지를 나타냅니다. 놀라운 점은 무엇일까요? 그들은 바람이나 바닥의 정확한 물리 법칙을 알 필요 없이, 데이터로부터 직접 이 구름의 크기와 모양을 계산하는 방법을 보여줍니다.

마술 같은 기술: 미래 예측하기

저자들은 과거의 데이터(예: 공이 튀어 오르는 영상)가 있다면, 간단한 수학적 기법을 사용하여 공이 다음에 어디에 있을지 예측할 수 있음을 보여줍니다.

• 평균(The Mean): 이것은 "최선의 추측"입니다. 구름의 중심이죠. 논문은 이 최선의 추측이 과학자들이 수년간 사용해 온 방법(서브스페이스 예측 제어, Subspace Predictive Control라고 불리는 방식)과 정확히 일치한다는 것을 증명합니다.
• 불확실성(The Uncertainty): 이것이 새로운 마술입니다. 이 방법은 또한 구름이 얼마나 '넓은지'를 계산합니다. 만약 가진 데이터가 오래되었거나 부족하다면, 구름은 거대해지며 로봇에게 "이 상황에 대해 확신할 수 없어!"라고 알려줍니다. 반대로 데이터가 신선하고 풍부하다면 구름은 작아지고, 로봇은 더 자신감을 가질 수 있습니다.

두 가지 운전 방식: 신중한 운전자 vs 낙관적인 운전자

논문은 로봇이 이 "불확실성의 구름"을 사용하여 의사결정을 내리는 두 가지 서로 다른 방식을 탐구합니다.

1. 신중한 운전자 (강건 제어, Robust Control)
안개가 자욱한 숲속에서 운전하고 있다고 상상해 보십시오. 당신은 도로가 앞쪽 어딘가에 있다는 것은 알지만, 길의 가장자리가 보이지는 않습니다. 신중한 운전자는 도로 중앙을 유지하며, 나무가 실제보다 가까이 있을 경우를 대비해 나무를 피합니다.
논문의 "강건한(Robust)" 방식은 정확히 이와 같습니다. 이 방식은 불확실성 구름 안에서 발생할 수 있는 최악의 시나리오를 살핍니다. 그리고 묻습니다. "공이 갈 수 있는 최악의 경로는 무엇이며, 설령 그 일이 실제로 일어나더라도 충돌하지 않으려면 어떻게 해야 하는가?"

• 결과: 스프링-질량 시스템(bouncy toy의 정교한 형태)에 대한 테스트에서, 이 신중한 방식은 다른 방식들보다 훨씬 뛰어난 성능을 보였습니다. 다른 방식들이 너무 대담하게 행동하다가 목표치를 지나쳐 버린 반면, 이 신중한 방식은 데이터가 무질서할 때도 계획에 근접하게 머물렀습니다. 즉, "데이터를 믿기엔 위험하니 안전한 경로를 택하겠다"라고 말한 것입니다.

2. 낙관적인 운전자 (DeePC와의 연결고리)
이제, "안개는 환상일 뿐이야! 도로는 아마 여기 있을 테니 빠르게 달리자"라고 생각하는 운전자를 상상해 보십시오.
논문은 DeePC(데이터 기반 예측 제어, Data-enabled Predictive Control)라고 불리는 기존의 인기 있는 방식이 이처럼 낙관적인 운전자처럼 행동한다는 것을 보여줍니다. 이 방식은 불확실성 구름 안에서 최선의 시나리오를 가정합니다. 저자들은 이것이 왜 DeePC가 그런 방식으로 작동하는지에 대한 이유를 설명해 줍니다. 즉, DeePC는 기본적으로 운에 베팅하고 있는 것입니다.

• 주의점: 논문은 이러한 낙관주의가 효과적일 수는 있지만 위험하다고 지적합니다. 만약 불확지성이 높다면(안개가 짙다면), 최선의 경우에 베팅하는 것은 큰 실수로 이어질 수 있습니다. 저자들은 "튜닝 노브"($\lambda$라고 불리는 파라미터)를 조정함으로써, 매우 낙관적인 상태에서 더 신중한 상태로 전환할 수 있으며, 이를 통해 DeePC를 더 안전한 운전자로 바꿀 수 있음을 보여줍니다.

비밀 병기: 실수를 듣는 법

또한 이 논문은 **"외란 아핀 피드백(Disturbance Affine Feedback)"**이라는 초능력을 소개합니다.
운전을 하고 있는데 차가 약간 왼쪽으로 흐르는 느낌이 든다고 상립해 봅시다. 일반적인 운전자는 차가 스스로 교정되기를 바라며 그냥 직진을 계속할지도 모릅니다. 하지만 똑똑한 운전자는 흐름이 발생하는 즉시 핸들을 오른쪽으로 살짝 돌려 이를 바로잡습니다.
저자들은 로봇이 실시간으로 발생하는 '오차'(공이 있어야 할 곳과 실제 위치의 차이)를 바탕으로 조향을 조절하게 함으로써, 불확실성 구의 크기를 줄일 수 있음을 보여줍니다.

• 테스트: 이들은 건물 냉난방 시스템(HVAC)을 대상으로 테스트를 진행했습니다. 외부 온도가 예측 불가능한 추운 날을 시뮬레이션했습니다.
  • "기존 방식"(Open-loop)은 실수를 인지하고 대응할 수 없었기에, 안전을 위해 난방을 과하게 높게 유지해야 했습니다.
  • "새로운 방식"(Feedback)은 온도 변화에 즉각적으로 반응했습니다. 실시간으로 실수를 수정할 수 있었기 때문에, 굳이 그렇게까지 조심스러울 필요가 없었습니다.
  • 승리: 이 새로운 방식은 실내 온도를 안전하게 유지하면서도, 기존 방식에 비해 에너지 비용을 77% 절감했습니다.

하지 않은 것 (그리고 그것이 중요한 이유)

이 논문이 주장하지 않는 바를 아는 것도 중요합니다.

• 이 논문은 로봇이 이제 완벽해졌다고 말하는 것이 아닙니다. 시뮬레이션은 이 방식들이 잘 작동함을 보여주지만, 여전히 추정치에 기반하고 있습니다.
• 모든 유형의 불확실성을 해결한다고 주장하지 않습니다. 이 논문은 "가우시안(Gaussian, 종 모양 곡선)" 노이즈에 집중합니다. 만약 노이즈가 종 모양 곡선이 아닌 비정상적이고 예측 불가능한 방식으로 발생한다면, 이 특정 방식은 조정이 필요할 수 있습니다.
• 불확실성을 무시하는 방식들에 대해 명시적으로 반박합니다. 논문은 만약 데이터가 완벽하다고 가정한다면(구름을 무시한다면), 너무 위험하거나(튜닝되지 않은 DeePC) 너무 보수적인(표준 방식) 제어기를 갖게 된다는 것을 보여줍니다.

결론

이 논문은 로봇에게 도로뿐만 아니라 안개까지 볼 수 있는 안경을 씌워주는 것과 같습니다. 이는 가공되지 않은 무질서한 데이터를 "신뢰도 지도(confidence map)"로 바꾸는 수학적 도구를 제공합니다.

• 지도가 "안개 낌"이라고 말하면, 로봇은 천천히 조심스럽게 운전합니다 (강건 제어).
• 지도가 "맑음"이라고 말하면, 로봇은 효율적으로 운전합니다.
• 그리고 로봇이 실시간으로 실수를 바로잡는 "스티어링 휠"(피드백)을 가지고 있다면, 훨씬 더 효율적으로 운전하여 에너지와 비용을 아낄 수 있습니다.

저자들은 이 접근 방식이 단순한 이론적 아이디어가 아니라, 현실 세계에서 기계를 더 안전하고, 똑똑하고, 효율적으로 만들 수 있는 실용적인 도구임을 시뮬레이션을 통해 입증했습니다. 그들이 불확실성 문제를 영원히 해결한 것은 아니지만, 엔지니어들에게 그 불확실성을 헤쳐 나갈 수 있는 훨씬 더 나은 지도를 건네준 것입니다.