⚡ electrical engineering

Real-Time Nonlinear MPC via Sequential Quadratic Programming with Structure-Exploiting ADMM and Interior-Point Methods for Underactuated Double-Pendulum Swing-Up

이 논문은 "AI 올림픽 위드 RealAIGym" 대회를 위해 미지의 하드웨어 상에서 제어 불능 상태의 이중 진자 시스템에 대한 강인한 스윙업 및 안정화를 성공적으로 달성하는 순차적 이차 계획법 기반의 실시간 비선형 모델 예측 제어 전략을 제시한다.

원저자: Nick Karydakis, Konstantinos Chatzilygeroudis

게시일 2026-08-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Nick Karydakis, Konstantinos Chatzilygeroudis

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

로봇에게 백플립을 하는 법을 가르치고 있다고 상상해 보십시오. 단순히 "점프해"라고 말하고 운에 맡길 수는 없습니다. 얼마나 많은 힘을 가해야 하는지, 언제 무릎을 굽혀야 하는지, 그리고 어떻게 추락하지 않고 착지할지를 정확하게 파악해야 합니다. 이것이 바로 로봇에게 현실 세계에서 움직일 수 있는 '근육 기억'을 부여하는 데 전념하는 분야인 **로보틱스 제어(robotics control)**의 세계입니다. 이 도전의 중심에는 **모델 예측 제어(Model Predictive Control, MPC)**라는 개념이 있습니다. MPC를 로봇을 위한 초고성능 GPS라고 생각하십시오. MPC는 로봇이 현재 어디에 있는지만 보는 것이 아니라, 최선의 다음 움직임을 결정하기 위해 순식간에 수천 가지의 가능한 미래 경로를 시뮬레이션하며 끊임없이 앞을 내다봅니다. 이는 단 한 수 앞만 생각하는 것이 아니라, 승리를 보장하기 위해 게임 전체를 계산하는 체스 선수와 같습니다.

이제 당신이 제어하는 로봇이 이중 진자(double-pendulum)—즉, 끝에 다른 막대가 연결되어 자유롭게 흔들리는 막대—라고 상상해 보십시오. 이 시스템은 모터의 개수보다 움직이는 부품이 더 많은 언더액추에이티드(underactuated, 저구동) 상태이기 때문에 매우 까다롭습니다. 이는 마치 손이 줄에 묶인 채 손등 위에 빗자루를 세우려는 것과 같습니다. 결국 똑바로 세워 균형을 잡기 위해서는 에너지를 모으기 위해 격렬하게 휘둘러야 합니다. 이 특정한 퍼즐은 팀들이 로봇이 매달린 위치에서 스스로 몸을 일으켜 세우고 균형을 유지하도록 프로그래밍해야 하는 경쟁인 "RealAIGym이 함께하는 AI 올림픽"의 핵심 과제입니다. 이때 프로그래머는 로봇의 정확한 무게나 마찰력을 알 수 없습니다.

Karydakis와 Chatzilygeroudis의 논문은 **순차적 이차 계획법(Sequential Quadratic Programming, SQP)**이라는 방법을 사용하여 이 문제에 대한 영리한 해결책을 제시합니다. 이 컨트롤러는 이중 진자를 흔드는 복잡하고 흔들거리는 문제를 일련의 작고 관리 가능한 퍼즐로 나누는 숙련된 전략가처럼 행동합니다. 매 아주 짧은 순간마다, 로봇은 스스로에게 묻습니다. "만약 내가 모터를 이 방향으로 움직인다면, 다음 몇 단계 후에 나는 어디에 있을까?" 로봇은 최적의 경로를 찾기 위해 단순화된 수학 문제를 풀고, 첫 번째 단계를 실행한 다음, 즉시 다음 순간을 위해 다시 계산합니다. 이 과정은 초당 100회 이상 매우 빠르게 일어나므로, 로봇은 마치 실시간으로 생각하는 것처럼 느껴집니다.

연구진은 이 "두뇌"를 두 가지 버전의 이중 진자인 **펜둡봇(Pendubot, 모터가 어깨에 있는 경우)**과 **아크로봇(Acrobot, 모터가 팔꿈치에 있는 경우)**에 대해 테스트했습니다. 그들은 단순히 컴퓨터 시뮬레이션에서 테스트한 것이 아니라, 코드를 클라우드에 있는 실제 물리 로봇에 업로드하여 실제로 구동했습니다. 결과는 인상적이었습니다. 펜둡봇의 경우, 누군가 균형을 깨뜨리기 위해 무작위로 예상치 못한 밀기(push)를 가했을 때도 로봇은 100%의 확률로 몸을 일으켜 세우고 균형을 유지했습니다. 아크로봇의 경우, 밀기가 없을 때는 100% 성공했으며, 방해가 있을 때는 70%의 성공률을 보였습니다.

이 접근 방식이 돋보이는 이유는 "미지의 요소"를 처리하는 방식에 있습니다. 로봇은 자신의 부품의 정확한 무게나 관절에 있는 마찰력을 알지 못했습니다. 하지만 끊임없이 계획을 재평가하고 방정식을 빠르게 풀기 위한 특별한 수학적 트릭을 사용함으로써, 로봇은 몸을 일으켜 세우는 데 필요한 에너지를 모으고 안정화할 수 있었습니다. 이 논문은 이 방법이 현실 세계의 혼돈을 처리할 만큼 견고하며, 모델 기반 접근 방식이 순수하게 시행착오 학습에 의존하는 다른 방법들과 경쟁하거나 때로는 능가할 수 있음을 입증한다고 시사합니다. 아크로봇은 완벽해지기 위해 마찰 보정에 약간의 도움이 필요했지만, 전반적인 성공은 적절한 수학적 도구가 있다면 가장 흔들거리는 로봇조차도 똑바로 서도록 가르칠 수 있음을 보여줍니다.

기술 요약: 언더액추에이티드 더블 펜듈럼의 스윙업을 위한 SQP 기반 실시간 비선형 MPC

문제 정의
본 연구는 언더액추에이티드 2링크 시스템, 구체적으로 펜듈봇(Pendubot, 어깨 부분에 액추에이터 위치)과 아크로봇(Acrobot, 팔꿈치 부분에 액추에이터 위치)의 전역 스윙업(global swing-up) 및 안정화 문제를 다룬다. 이 과제는 컨트롤러를 개발하고 원격으로 접근 가능한 "CloudPendulum" 하드웨어에서 직접 평가해야 하는 "AI Olympics with RealAIGym" 경진대회의 맥락 내에서 구성되었다. 주요 제약 조건으로는 제한된 상호작용 시간, 시스템 모델 파라미터에 대한 사전 지식의 부재, 그리고 단일 액추에이터를 사용하여 본질적으로 불안정한 직립 평형 상태를 안정화해야 하는 요구사항 등이 있다. 문제는 비선형 동역학, 언더액추에이션 제약, 액추에이터 한계를 고려해야 하는 이산 시간 유한 시계(discrete-time, finite-horizon) 비선라인 최적 제어 문제로 정식화된다.

방법론
저자들은 순차 이차 계획법(Sequential Quadratic Programming, SQP)에 기반한 실시간 비선형 모델 예측 제어(NMPC) 프레임워크를 제안한다. 핵심 방법론은 다음 구성 요소들을 포함한다:

역동역학 정식화(Inverse-Dynamics Formulation): 시스템 동역학은 매니퓰레이터 방정식으로 기술된다. 최적화 변수는 일반화 가속도( $\dot{v}$ )로 정의되며, 관절 토크는 재귀적 뉴턴-오일러 알고리즘(Recursive Newton–Euler Algorithm)을 사용하여 역동역학을 통해 계산된다. 이 정식화는 수동 관절(passive joint)의 토크를 0으로 강제하는 등식 제약과 액추에이터 토크 한계를 강제하는 부등식 제약을 명시적으로 처리함으로써 언더액actuation을 처리한다.
SQP 및 QP 하위 문제: 각 제어 단계에서, 비선형 최적 제어 문제는 명목 궤적(nominal trajectory) 주변에서 국부적으로 근사되어 구조화된 이차 계획법(Quadrature Program, QP)을 생성한다. 비용 함수는 관절 속도, 제어 노력, 그리고 태스크 공간 추적 오차(Pendubot의 경우 팁 위치, Acrobot의 경우 팔꿈치 및 팁 위치)에 대해 페널티를 부여한다.
구조 활용 솔버(Structure-Exploiting Solvers): 실시간 성능을 달성하기 위해, QP 하위 문제는 최적 제어 문제의 시간적 희소성(temporal sparsity)을 활용하는 솔버를 사용하여 해결된다. 저자들은 두 가지 특정 접근 방식을 활용한다:
1. 대형 희소 KKT 시스템을 인수분해하지 않고 LQR 기반 재귀를 사용하여 선형 시스템을 해결하는 스테이지별 교대 방향 승수법(stagewise Alternating Direction Method of Multipliers, ADMM) 솔버.
2. 대안적인 구조 활용 내부 점법(interior-point method)인 HPIPM (High Performance Interior Point Method) 솔버.
실시간 구현: 컨트롤러는 재귀적 호라이즌(receding-horizon) 방식으로 작동한다. 이전 제어 시점의 솔루션을 다음 단계의 상태-제어 궤적 및 솔버 변수에 전달하여 웜 스타트(warm-start)한다. 계산 예산을 충족하기 위해, 시스템은 매 샘플링 순간마다 제한된 횟수의 SQP 반복(ADMM의 경우 4회, HPIPM의 경우 6회)을 수행하며, QP 하위 문제는 100회 반복으로 제한된다.

주요 기여

통합 제어 정책: 본 논문은 스윙업에 필요한 비국소적 에너지 축적 운동과 안정화에 필요한 정밀한 피드백 제어를 모두 처리할 수 있는 단일 최적화 기반 정책을 제시한다.
하드웨어 인 더 루프 검증: 많은 이론적 연구와 달리, 이 접근 방식은 사전 시스템 식별 없이 물리적이고 원격 접근이 가능한 하드웨어(CloudPendulum)에서 검증되어 모델 불확실성 및 외부 교란에 대한 강건성을 입증하였다.
솔버 비교 및 선택: 본 연구는 실시간 임베디드 환경에서 구조 활용 ADMM과 HPIPM 솔버의 성능을 평가하고, 튜닝 결과에 따라 각 시스템 구성에 최적화된 솔버(Pendubot에는 ADMM, Acrobot에는 HPIPM)를 선택한다.

실험 결과
실험은 아래로 매달린 구성(downward hanging configuration)에서 시작하는 60초 에피소드로 수행되었다. 두 가지 시나리오가 테스트되었다: 명목 운전(nominal operation) 및 적용된 토크 교란(0.1초 동안 무작위 토크 적용) 상황.

Pendubot 성능: 컨트롤러는 두 시나리오 모두에서 100% 성공률을 달랐다. 중앙값 업타임(직립 안정화 영역 내에 머문 시간)은 교란이 없을 때 92.5%(55.5초), 교란이 있을 때 87.3%(52.38초)였다. 컨트롤러는 평균 약 400Hz의 주파수로 작동했다.
Acrobot 성능: 컨트롤러는 교란이 없을 때 100% 성공률을, 교란이 있을 때 70%의 성공률을 보였다. 중앙값 업타임은 교란이 없을 때 85.8%(51.48초), 교와 있을 때 69.7%(41.82초)였다. 컨트롤러는 평균 약 240Hz의 주파수로 작동했다.
강건성: 교란 시나리오에서 컨트롤러는 상당한 편차로부터 회복하여 시스템을 직립 평형 상태로 복구하는 능력을 보여주었다.

의의 및 주장
본 논문은 제안된 구조 활용 SQP 기반 MPC 방식이 스윙업에 필요한 복잡한 비국소적 운동을 생성하는 동시에 견고한 피드백 안정화 및 교란 제거를 제공할 수 있다고 주장한다. 저자들은 이 방법이 사전 모델 지식의 부재에도 불구하고 CloudPendulum 플랫폼의 실시간 계산 요구 사항을 성공적으로 충족함을 강조한다.

본 연구는 현재의 한계점을 겸허히 인정하는데, 특히 Acrobot 시스템에서 신뢰할 수 있는 성능을 달성하기 위해 마찰 보상이 필요하다는 점이다. 향후 연구로는 온라인 시스템 식별을 조사하여 동적 파라미터를 실시간으로 적응시킴으로써, 모델 불일치를 줄이고 수동 마찰 보상 튜닝 없이도 신뢰성 및 회복 성능을 잠재적으로 개선하는 것을 제안한다.

유사한 논문