⚡ electrical engineering

Critical slowing down for predicting controller induced loss of control in quadrotors

본 논문은 임계 감속(critical slowing down)에 기반한 모델 프리(model-free) 예측 기법을 제시하며, 이는 기존의 신경망 방식보다 우수하고 재매개변수화 없이도 다양한 항공기, 제어기 및 비행 시나리오에 걸쳐 일반화될 수 있으면서, 쿼드로터의 제어기 유발 제어 상실을 최대 0.9초 전에 성공적으로 예측한다.

원저자: Jasper J. van Beers, Prashant Solanki, Erik-Jan van Kampen, Coen C. de Visser

게시일 2026-07-29

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jasper J. van Beers, Prashant Solanki, Erik-Jan van Kampen, Coen C. de Visser

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

줄타기 곡예사를 보고 있다고 상상해 보십시오. 곡예사가 안정적인 상태일 때는 작은 흔들림도 고치기 쉽습니다. 그저 무게 중심을 옮기는 것만으로도 다시 중앙으로 돌아올 수 있습니다. 하지만 그들이 줄의 가장자리에 가까워질수록 이상한 일이 일어납니다. 회복 속도가 느려지는 것입니다. 예전에는 즉각적으로 교정되던 아주 작은 움직임조차 이제는 진정되는 데 오랜 시간이 걸리고, 균형이 "끈적하게(sticky)" 느껴집니다. 생태계, 인간의 뇌, 혹은 드론과 같은 복잡계의 세계에서 이 현상을 **임계 저속화(Critical Slowing Down)**라고 부릅니다. 이는 시스템이 완전히 다른, 종종 혼돈스러운 상태로 급변하기 직전에 보내는 보편적인 경고 신호입니다.

이제 네 개의 프로펠러가 회전하는 비행 로봇인 드론을 떠올려 보십시오. 이 기계들은 놀랍지만, 때때로 비행을 제어하는 컴퓨터 두뇌가 지연이나 잘못된 신호로 인해 혼란을 겪으면서 통제력을 잃고 추락할 수 있습니다. 과학자들은 이러한 추락을 예측하려고 노력해 왔지만, 많은 방법은 드론이 어떻게 추락하는지 "학습"하기 위해 컴퓨터 시뮬레이션 속에서 이미 수천 번의 추락을 경험해야 합니다. 이것은 문제입니다. 왜냐하면 현실에서는 드론을 제대로 나는 법을 가르치기 위해 일부러 추락시키고 싶지 않기 때문입니다. 큰 질문은 이것입니다. 과거의 추락 기록을 학습하지 않고도, 드론이 떨어지기 전에 그 "끈적한 흔들림"을 포착할 수 있을까요?

이 논문은 그 질문에 답하기 위한 영리하고 새로운 방법을 소개합니다. 델프트 공과대학교(Delft University of Technology)의 연구진은 드론을 위한 "추락 탐지기" 역할을 하는 C-BeFore라는 예측 시스템을 개발했습니다. 이 시스템은 학습을 위해 방대한 과거의 추락 데이터가 필요한 대신, '임계 저속화'라는 보편적인 원리를 사용합니다. 이것은 의사가 환자의 심장 소리를 듣는 것과 비슷합니다. 의사는 심장마비를 직접 본 적이 없더라도 심장이 힘겨워하고 있다는 것을 알 수 있습니다. 단지 문제가 닥치고 있음을 알리는 특유의 느려지는 리듬을 듣는 것뿐입니다. 마찬가지로, C-BeFore 시스템은 드론의 모터를 관찰합니다. 드론이 정상적으로 비행할 때 모터는 명령에 빠르게 반응합니다. 하지만 드론이 통제 상실에 가까워지면, 모터는 미세한 변화에 대해 "더듬거리며" 더 느리게 회복하기 시작합니다.

연구팀은 이 아이디어를 실내외 바람 등 다양한 환경에서 비행하는 네 가지 유형의 드론으로부터 얻은 실제 비행 데이터에 적용하여 테스트했습니다. 그들은 컴퓨터의 불안정한 동작으로 인해 드ones이 통제력을 잃은 91건의 실제 추락 사건을 조사했습니다. 결과는 인상적이었습니다. 이 시스템은 추락이 발생하기 최대 0.9초 전까지 이를 예측할 수 있었습니다. 빠르게 움직이는 드론에게 0.9초는 긴 시간이며, 안전 시스템이 개입하여 상황을 구할 수 있는 충분한 경고 시간입니다.

이 접근 방식이 정말 특별한 점은 추락 데이터로 "훈련"될 필요가 없었다는 것입니다. 연구진은 원래 다른 종류의 드론에 맞춰 조정된 설정을 사용하여, 한 번도 본 적 없는 드론의 추가 추락을 예측할 수 있음을 보여주었습니다. 이는 마치 주방, 차고, 혹은 산불이 난 숲에서도 완벽하게 작동하는 연기 감지기가, 그 특정 공간에서 불이 나는 것을 직접 본 적이 없어도 작동하는 것과 같습니다. 이 시스템은 서로 다른 모터, 서로 다른 컨트롤러, 그리고 서로 다른 환경에서 비행하는 드론들을 대상으로 '플라이어웨이(flyaway)' 이벤트(드론이 통제 불능으로 치솟는 현상)와 요(yaw) 유발 추락을 성공적으로 포착해 냈습니다.

또한, 이 논문은 현재 이 분야의 "골드 스탠다드(표준)"인 순환 신경망(RNN, 인공지능의 한 종류)과 이들의 방법을 비교합니다. RNN은 보통 잘 작동하기 위해 수천 개의 추락 사례를 공부해야 합니다. C-BeFore 시스템은 정확도 면에서 이 AI 모델들을 능가했으며, 결정적으로 오보(드론이 멋진 기술을 선보이고 있을 뿐인데 "추락한다!"라고 외치는 것)를 훨씬 적게 만들어냈습니다. AI 모델들은 추락을 포착하는 데는 뛰어났지만, 초기 경고 신호를 놓치거나 일반적인 공격적 비행에 혼동을 겪기도 했습니다. 근본적인 물리 법칙인 시스템이 붕괴 전 어떻게 느려지는지에 집중한 C-BeFore 시스템은, 용감한 조종사와 파멸할 운명의 조종사를 훨씬 더 정밀하게 구별해 낼 수 있었습니다.

요약하자면, 이 연구는 재앙이 일어나기를 기다릴 필요가 없다는 것을 시사합니다. 시스템이 임계점에 도달할 때 나타나는 미묘하고 느려지는 리듬에 주목함으로써, 우리는 과거의 사고 라이브러리 없이도 어디서나, 어떤 드론에서도 작동할 수 있는 범용적이고 신뢰할 수 있는 안전망을 구축할 수 있습니다. 이는 자율 로봇에게 너무 늦기 전에 자신의 불안정함을 스스로 느낄 수 있는 능력을 부여함으로써, 그들을 더 안전하게 만드는 단계로 나아가는 길입니다.

기술 요약: 쿼드로터의 제어기 유발 제어 상실(LOC) 예측을 위한 임계 저속화(Critical Slowing Down)

문제 정의
자율 로봇, 특히 쿼드로터와 같은 무인 항공기(UAV)가 보편화됨에 따라 안전한 운용을 보장하는 것이 매우 중요해지고 있습니다. 로터 고장에 대한 결함 허용 제어(fault-tolerant control) 분야에서 상당한 진전이 있었음에도 불구하고, 쿼드로터는 불안정한 제어기 특성, 센서 포화 또는 입출력 지연으로 인해 제어 상실(Loss of Control, LOC)을 겪을 수 있으며, 이는 "플라이어웨이(flyaway)"와 같은 파멸적인 사건으로 이어질 수 있습니다. 제어 장벽 함수(Control Barrier Functions, CBF)와 같은 기존의 안전 접근 방식은 종종 항법 상태를 제한하지만, 내부 루프 제어 변수(예: 모터 속도)를 제한하지 못해 시스템이 회복 불가능한 상태로 몰아넣는 외란에 취약하게 만듭니다. 또한, 모델 기반의 안전 비행 엔벨로프(Safe Flight Envelope, SFE) 방법은 계산 비용이 많이 들고 모델 불일치에 민감하며, 데이터 기반의 신경망 접근 방식은 일반화 능력이 부족하고 물리적 해석 가능성이 떨어진다는 단점이 있습니다. 본 연구에서 다루는 핵심 과제는 광범위한 실패 이벤트 데이터셋이나 특정 시스템 모델에 의존하지 않고 제어기 유발 LOC를 예측하는 것입니다.

방법론
저자들은 임계 저속화(Critical Slowing Down, CSD) 현상에 기반한 C-BeFore(Cascaded Bayesian Forecaster)라는 시스템 모델 프리(model-free) 예측 프레임워크를 제안합니다. CSD는 복잡계가 임계 전이(critical transition)에 접근할 때 관찰되는 일반적인 지표로, 섭동(perturbation)으로부터의 회복 속도가 느려지는 특징을 가집니다.

조기 경보 신호 (Early Warning Signals, EWS): 이 방법은 온보드 로터 속도 측정값( $\omega_1, \dots, \omega_4$ )을 사용하여 롤링, 피칭, 요잉 로터 속도 차이( $u_p, u_q, u_r$ )를 계산합니다. 이 신호들은 이동 평균 필터를 통해 추세가 제거(detrended)됩니다. 주요 지표로는 슬라이딩 윈도우를 통해 계산된 **시차-1 자기상관(lag-1 autocorrelation, AC1)**이 사용됩니다. 시스템이 LOC에 가까워질수록 AC1은 1에 가까워지며, 이는 회복 탄력성의 상실을 나타냅니다.
베이지안 탐지 (Bayesian Detection): AC1 값에서 유도된 사전 확률과 **와서스테인 거리(Wasserstein distance)**를 사용하여 계산된 우도(likelihood)를 결합하여, LOC 발생 확률 $P(L|E_{k,D})$ $P (L ∣ E_{k, D})$ 를 추정하는 베이지안 추론 기법이 채택됩니다. 이 거리는 현재 EWS의 분포와 두 가지 참조 분포, 즉 명목 분포( $N_{E_k}$ $N_{E_{k}}$ ) 및 LOC 분포( $L_{E_k}$ $L_{E_{k}}$ ) 사이의 유사성을 측정합니다.
- 데이터 기반 모드 (Data-Driven Mode): LOC 데이터가 있는 경우, $L_{E_k}$ 는 실제 실패 이벤트로부터 구축됩니다.
- 가정 모드 (Assumed Mode): LOC 데이터가 없는 경우, CSD 이론에 근거하여 $L_{E_k}$ 는 AC1 = 1 근처의 분포로 가정됩니다. 이를 통해 시스템은 실패 데이터에 대한 학습 없이도 작동할 수 있습니다.
예측 (Time-to-LOC): 프레임워크는 서로 다른 윈도우 크기( $D$ )에서 작동하는 베이지안 탐지기의 캐스케이드(cascade)를 활용합니다. 대형 윈도우 탐지기( $D_d$ )는 LOC의 순간에 대한 "그라운드 트루스(ground truth)" 역할을 합니다. 소형 윈도우 탐지기( $D < D_d$ )는 대형 탐지기가 트리거될 시점을 앞서 예측하는 데 사용됩니다. 이러한 윈도우 간의 탐지 시점 차이를 분석하고 윈도우 간 오차를 보정함으로써, 시스템은 LOC까지 남은 시간( $\Delta t_{LOC}$ )을 추정합니다.

주요 기여

모델 프리 예측 (Model-Free Forecasting): 이 접근 방식은 시스템 모델이나 LOC를 위한 학습 단계를 요구하지 않습니다. 대신 불안정성을 탐지하기 위해 CSD의 일반적인 원리를 활용합니다.
범용적 적용 가능성: 이 방법은 다양한 질량, 모터 구성 및 비행 컨트롤러(Betaflight 및 Indiflight)를 가진 네 가지 쿼드로터(CineGo, DataCan75, SuperKnight5, DamselFly)의 실제 비행 데이터에 대해 검증되었습니다.
신경망 대비 성능: 프레임워크를 최첨단 순환 신경망(RNN)들(LSTM, BiLSTM, CNNLSTM, GRU)과 비교했습니다. C-BeFore는 더 우수한 분류 정확도를 보여주었으며, 특히 공격적인 명목 기동과 실제 LOC를 구분함에 있어 훨씬 적은 오탐률(false positive)을 기록했습니다.
제로샷 일반화 (Zero-Shot Generalization): 한 대의 쿼드로터(CineGo)와 하나의 LOC 시나리오(yaw 유도 불안정성)에 대해 매개변수화된 예측기가 재매개변수화 없이 다른 쿼드로터에서의 다른 LOC 시나리오(구조적 공진으로 인한 플라이어웨이)를 성공적으로 탐지함을 입증했습니다.

결과

탐지 정확도: DataCan75 데이터셋에서 데이터 기반 C-BeFore는 조기 오탐 없이 100%의 참 양성률(true positive rate)을 달eli 성하며, 높은 오탐률을 보인 최상위 성능의 RNN들을 능가했습니다.
예측 리드 타임 (Forecast Lead Time): 시스템은 LOC 이벤트가 발생하기 최대 0.9초 전까지의 time-to-LOC 예측을 달성합니다. DataCan75 실험에서 평균 예측 시간은 약 0.44초였으며, 이는 4kHz 제어 루프를 고려할 때 교정 조치를 취하기에 충분한 시간입니다.
가정된 분포의 성능: 실제 LOC 데이터 없이 가정된 LOC 분포를 사용했을 때도 성능이 데이터 기반 버전과 거의 동일하게 유지되었으며, 이는 실패 데이터셋 없이도 기능할 수 있는 방법의 능력을 확인시켜 줍니다.
일반화: CineGo에 의해 매개변수화된 예측기는 컨트롤러 아키텍처(PID vs. INDI)와 비행 조건(실내 vs. 실외)의 차이에도 불구하고 SuperKnight5 및 DamselFly에서 모든 플라이어웨이 이벤트를 성공적으로 탐지했습니다.

의의 및 주장
저자들은 이 연구가 기본 제어기와 독립적으로 작동하는 필수적인 "애드온(add-on)" 안전 모니터를 제공한다고 주장합니다. 특정 시스템 역학이나 방대한 실패 데이터에 의존하는 대신 CSD라는 일반적인 물리적 원리에 기반하여 LOC를 예측함으로써, 이 접근 방식은 견고하고 설명 가능하며 계산 효율적인( $O(D \log D)$ 복잡도) 솔루션을 제공합니다. 논문은 이 방법이 직접적인 교정 제어 동작을 수행하는 것은 아니지만, 그러한 동작을 가능하게 하는 필요한 조기 경보를 제공함으로써 이론적 안전 엔벨로프와 실시간 운용 안전 사이의 간극을 메운다는 점을 강조합니다. 재학습 없이 다양한 플랫폼과 실패 모드에 걸쳐 일반화할 수 있는 능력은 현재의 데이터 기반 방법론에 비해 주요한 진보임을 밝히고 있습니다.

기술 요약: 쿼드로터의 제어기 유발 제어 상실(LOC) 예측을 위한 임계 저속화(Critical Slowing Down)

유사한 논문