🔢 mathematics

Model-Free Based Computations of Recursive Control Barrier Function: Ultra-Local Model Approach

본 논문은 미지의 동역학을 가진 비선형 시스템에서 안전 제약 조건을 강제하기 위해 초국소 모델 접근법과 온라인 동역학 추정을 사용하여 재귀적 제어 장벽 함수를 계산하는 모델 프리 프레임워크를 제안하며, 이는 적응형 크루즈 컨트롤 벤치마크를 통해 입증되었다.

원저자: Loïc Michel, Ricardo de Castro, Joseph Moyalan, Iman Ebrahimi, Jean-Pierre Barbot

게시일 2026-08-18

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Loïc Michel, Ricardo de Castro, Joseph Moyalan, Iman Ebrahimi, Jean-Pierre Barbot

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

공학의 세계에서 기계를 안전하게 유지하는 것은 종종 미지의 영역과의 싸움입니다. 비가 내리는 고속도로를 주행하는 자율주행 자동차든, 섬세한 전자 부품을 조립하는 로봇 팔이든, 제어기는 시스템이 결코 위험 구역으로 벗어나지 않도록 보장해야 합니다. 수십 년 동안 엔지니어들은 이러한 기계가 어떻게 움직이는지에 대한 정밀한 수학적 청사진을 구축하여 안전망을 만드는 데 의존해 왔습니다. '시스템 모델'로 알려진 이 청사진은 지도와 같은 역할을 하여, 브레이크를 밟거나 스티어링 휠을 돌릴 때 차량이 어떻게 반응할지를 컴퓨터에 정확히 알려줍니다. 그러나 물리적인 세계의 무질서한 현실 속에서 이러한 지도들이 완벽한 경우는 드뭅니다. 날씨가 변하고, 부품이 마모되며, 예상치 못한 충격이 발생하는 등, 지도와 실제 영토 사이에는 간극이 생깁니다. 지도가 틀리면 안전망이 실패하여 사고로 이어질 수 있습니다. 이것이 바로 연구자들이 세상에 대한 완벽한 지도 없이도, 기계가 실제로 지금 이 순간 무엇을 하고 있는지에 의존하여 시스템을 안전하게 유지하는 방법을 점점 더 모색하는 이유입니다.

한 연구팀은 이 문제를 해결하기 위한 새로운 방법을 개발하여, 기계의 행동에 대해 미리 작성된 모델 없이도 실시간으로 학습하고 적응하는 안전 시스템을 만들어냈습니다. 최근 연구에에서 상세히 다뤄진 이들의 접근 방식은 '제어 장벽 함수(Control Barrier Function)'라고 불리는 개념에 초점을 맞춥고 있습니다. 이것을 기계의 안전 구역을 둘러싸고 있는 보이지 않고 유연한 벽이라고 생각하십시오. 만약 기계가 이 벽을 향해 드리프트하기 시작하면, 시스템은 자동으로 제어를 조정하여 안전한 곳으로 다시 밀어냅니다. 전통적으로 이 벽이 어디에 위치해야 하는지 계산하려면 기계의 정확한 물리학을 알아야 합니다. 만약 물리학이 알려지지 않았거나 변한다면, 그 계산은 실패합니다. L. 미셸(L. Michel)과 동료들이 이끄는 연구진은 다른 방법을 제안했습니다. 물리학을 추측하는 대신, 그들은 '초국소 모델(ultra-local model)'이라는 기술을 사용합니다. 이는 기계가 현재 어떻게 움직이고 있는지에 대한 단순하고 짧은 스냅샷이며, 새로운 데이터가 들어올 때마다 지속적으로 업데이트됩니다. 이는 기계의 복잡하고 장기적인 이력을 무시하고, 제어 입력과 그 결과로 나타나는 움직임 사이의 즉각적인 관계에만 집중합니다.

그들의 발견의 핵심은 이 단순한 실시간 스냅샷을 견고한 안전 보증으로 전환하는 방법입니다. 연구진은 기계의 행동을 실시간으로 추정하기 때문에, 마치 안개 낀 창문을 통해 들여다보는 것처럼 항상 약간의 불확실성이 존재한다는 점을 깨달았습니다. 그들의 혁신은 이 '안개'를 정량화하는 것이었습니다. 그들은 기계가 불규칙하게 움직이거나 추정치가 불확실할 때 더 커지는 '안전 마진(safety margin)'을 계산하는 방법을 개발했습니다. 이 마진은 버퍼 역할을 하여, 시스템이 상황을 확신하지 못할 때마다 보이지 않는 안전 벽을 실제 위험 구역으로부터 더 멀리 밀어냅니다. 이렇게 함으로써 시스템은 예상치 못한 방해 요소나 모델링 오류에 의해 속아 넘어가기가 훨씬 어려워집니다. 연구진은 이 과정을 관리하는 두 가지 서로 다른 방법을 테스트했습니다. 첫 번째 방법은 일정한 데이터 스트림을 기반으로 안전 계산을 지속적으로 미세 조정하는 것이고, 두 번째 방법은 여러 가지 설정을 동시에 테스트하고 그 순간에 가장 안전한 결과를 제공하는 설정을 선택하는 것입니다.

이 아이디어가 실제로 작동하는지 확인하기 위해, 팀은 일련의 컴퓨터 시뮬레이션을 실행했습니다. 그들은 안전 시스템의 표준 테스트 시나리오인 자동차의 적응형 크루즈 컨트롤 시스템을 선택했습니다. 이 테스트에서 자동차는 다른 차량을 따라가며, 목표는 안전 거리를 유지하는 것입니다. 연구진은 앞차의 속도가 갑자기 줄어드는 까다로운 상황을 도입했으며, 뒤따르는 차량의 기준 신호는 안전하다고 보기에는 너무 가까운 거리로 일시적으로 설정되었습니다. 고정된 모델에 의依赖하는 전통적인 시스템에서는 모델이 급격한 변화에 충분히 빠르게 반응하지 못해 충돌로 이어질 수 있습니다. 그러나 새로운 시스템은 이 상황을 다르게 처리했습니다. 자동차의 움직임에 대한 이해를 끊임없이 업데이트하고 불확실성이 높을 때 안전 버퍼를 넓힘으로써, 시스템은 자동차가 너무 가까워지는 것을 성공적으로 방지했습니다. 이 시스템은 자동차의 무게, 공기 역학 또는 엔진 특성에 대한 정확한 지식이 없음에도 불구하고, 표준 제어기의 안전하지 않은 명령을 무시하고 차량을 안전 구역 내에 유지했습니다.

시뮬레이션은 압박 속에서 시스템이 어떻게 행동하는지에 대한 중요한 세부 사항을 보여주었습니다. 연구진이 연속 조정 방법을 테스트했을 때, 안전 규칙이 너무 엄격하게 설정되면 시스템이 갑작스러운 변화로부터 회복하는 데 어려움을 겪어 때때로 자동차가 위험 구역으로 드리프트하도록 허용한다는 것을 발견했습니다. 반면, 여러 설정을 동시에 테스트하는 방법은 훨씬 더 탄력적이었습니다. 이 방법은 마치 빠른 의사 결정권자처럼, 상황이 임계점에 도달할 때마다 즉시 가장 신뢰할 수 있는 설정으로 전환했습니다. 이 접근 방식은 연구진이 안전 규칙을 매우 엄격하게 설정했음에도 불구하고 모든 다양한 테스트 시나리오 전반에서 자동차를 안전하게 유지했습니다. 연구는 단순한 실시간 움직임 추정과 동적인 안전 버퍼를 결합함으로써, 안전하면서도 적응력이 뛰어난 제어기를 만드는 것이 가능하다는 것을 보여주었습니다. 이 결과가 가능한 모든 기계에 대한 최종적인 해결책은 아니었지만, 물리학을 명확히 규정하기 어려운 복잡한 시스템에서 이러한 모델 프리(model-free) 접근 방식이 잘 작동한다는 강력한 증거를 제공했습니다.

이 연구의 함의는 자동차를 넘어 확장됩니다. 연구진은 이 방법이 배터리 충전 시스템이나 에너지 그리드와 같이 안전이 중요하지만 근본적인 역학이 복잡하거나 잘 알려져 있지 않은 모든 시스템에 가치가 있을 수 있다고 제안합니다. 이러한 분야에서 에너지 흐름의 규칙은 온도, 노후화, 부하에 따라 변할 수 있어 전통적인 모델을 유지하기 어렵습니다. 현장에서 행동을 학습하고 스스로 안전 마진을 구축하는 시스템을 사용함으로써, 엔지니어들은 모든 방정식을 미리 풀 필요 없이 더 안전하고 효율적인 기술을 설계할 수 있습니다. 연구는 배후의 수학은 정교하지만, 그 결과는 기계가 미지의 영역을 확신을 가지고 항해할 수 있게 해주는 실용적인 도구라는 점을 결론짓습니다. 이는 완벽한 지식에 의존하는 것에서 스마트한 실시간 적응에 의존하는 것으로의 전환을 의미하며, 지도가 불완전할 때조차 안전이 유지되도록 보장합니다.

기술 요약: 초국소 모델 접근법 기반의 재귀적 제어 장벽 함수에 대한 모델 프리 계산

문제 정의

제어 장벽 함수(Control Barrier Functions, CBFs)는 비선로 제어 시스템에서 주어진 안전 집합의 전방 불변성(forward invariance)을 보장함으로써 안전 제약 조건을 강제하는 체계적인 프레임워크를 제공한다. 그러나 표준 CBF 구현은 일반적으로 리 미분(Lie derivative)을 계산하고 안전 제약을 강제하기 위해 정확한 시스템 모델에 의존한다. 상당한 모델링 불확실성, 모델링되지 않은 동역학 또는 외부 교란이 존재하는 실제 시나리오에서 이러한 모델 의존적 접근 방식은 실패하거나 과도하게 보수적일 수 있다.

신경망이나 가우시안 프로세스를 사용하는 기존의 모델 프리(model-free) 또는 데이터 기반 대안들은 상당한 계산 부담을 주거나 광범위한 학습 데이터를 요구하지 않으면서 엄격한 실시간 안전 보장을 제공하는 데 어려움을 겪는 경우가 많다. 또한, 초국소 모델(Ultra-Local Models, ULMs)이 모델 프리 제어를 위해 성공적으로 사용되어 왔음에도 불구하고, ULM을 안전이 중요한 맥락에 적용한 이전 연구들은 동역학 재구성과 관련된 불확실성을 명시적으로 정량화하지 않고 즉각적인 추정치에 의존하는 경우가 많았다. 결과적으로, 추정 오차, 측정 노이즈 및 미분 근사치의 영향이 안전 제약 조건에 명시적으로 전파되지 않아 안전 보장이 훼손될 가능성이 있다.

방법론

본 논문은 초국소 모델(ULM) 접근법을 기반으로 재귀적 제어 장벽 함수를 계산하기 위한 모델 프리 프레임워크를 제안한다. 핵심 철학은 시스템의 국부적 거동을 온라인으로 지속적으로 업데이트되는 저차 입출력 표현을 사용하여 근사화하고, 불확실성 범위를 명시적으로 고려하는 것이다.

1. 불확실성 정량화를 포함한 초국소 모델링

명시적인 시스템 모델 $\dot{x} = f(x) + g(x)u$ 대신, 시스템은 다음과 같은 SISO 초국소 모델로 근사화된다:
$y^{(\nu)}(t) \approx F(t) + \beta u(t) + \Delta_m(t)$
여기서:

$y^{(\nu)}$ 는 출력의 $\nu$ 차 시간 미분이다 (안전 제약의 상대 차수와 일치하거나 이를 초과하도록 선택됨).
$F(t)$ 는 미지의 동역학, 비선형성 및 교란을 집약한다.
$\beta$ 는 제어 입력을 스케일링하는 0이 아닌 상수이다.
$\Delta_m(t)$ 는 불확실성 범위를 나타낸다.

$F(t)$ 항은 노이즈를 처리하기 위해 수치 미분(특히 균질 반-암묵적 미분기)을 사용하여 온라인으로 추정된다. 결정적으로, 본 프레임워크는 동역학 재구성과 관련된 추정 오차를 정량화하기 위해 동적 불확실성 범위 $\hat{\Delta}_m(t)$ 를 도입한다. 이 범위는 잔차(residual)의 슬라이딩 윈도우에 대해 웰포드 알고리즘(Welford's algorithm)을 적용하여 평균( $\mu$ )과 분산( $\sigma^2$ )을 계산함으로써 산출된다.

$\hat{\Delta}_m$ 을 정의하기 위해 세 가지 전략이 제안된다:

방법 A: 경계와의 근접성에 따라 범위가 스케일링되는 공간-기하학적 접근 방식.
방법 B: 공간-기하학적 페널티와 통계적 분산을 결합하여 과도한 스파이크로부터 보호함.
방법 C: 통계적 분산 임계값( $|\mu| + \kappa|\sigma|$ )에만 의존함.

2. 강건한 CBF 정식화

제안된 프레임워크는 불확실성 범위를 포함하도록 표준 CBF 조건을 수정하며, 이는 효과적으로 안전 경계를 더 제한적인 "가상" 경계로 이동시킨다.

상대 차수 1 (Relative Degree 1)의 경우: 조건은 $\hat{F} + \beta u \geq -k_c(y - y_{min} - \hat{\Delta}_m/k_c)$ 가 된다.
상대 차수 2 (Relative Degree 2, 재귀적 CBF)의 경우: 조건은 2차 미분을 포함하며 유사하게 불확실성 항에 의해 조정된다.

이러로 구성된 정식화는 불확실성이 높거나 시스템이 경계에 가까울 때 제약을 활성화함으로써 안전 위반을 예측할 수 있게 한다.

3. 두 가지 제어 전략

본 논문은 제어 입력 $u$ 를 결정하기 위한 두 가지 구별된 전략을 제시한다:

전략 1 (Gradient-Based ULM-CBF): 파라미터 $\hat{F}$ 와 $\hat{\beta}$ 를 재귀적으로 추정하기 위해 2-시간 척도 확률적 경사 하강법(two-time-scale stochastic gradient descent)을 사용한다. 제어 입력은 명목 제어기(nominal controller)로부터의 편차를 최소화하면서 강건한 CBF 제약을 만족하는 이차 계획법(QP)을 풀어서 도출된다.
전략 2 (Grid-Based ULM-CBF): 단일 온라인 추정치 대신, 병렬로 후보 $\beta$ 값들의 이산 그리드를 평가한다. 각 후보에 대해 강건한 CBF-QP가 해결된다. 제어 에너지, 불확실성 범위 에너지, 제어 변동성 및 파라미터 변동성을 최소화하는 선택 기준을 사용하여 가장 안전한 제어 입력과 그에 대응하는 $\beta$ 인덱스를 선택한다. 이 전략은 현재 운용 영역에 가장 적합한 입출력 스케일링을 선택함으로써 구조적 강건성을 제공하는 것을 목표로 한다.

주요 기여

모델 프리 재귀적 CBF: 명시적인 시스템 모델 없이 온라인 ULM 추정에 의려 고차(재귀적) CBF를 구축하는 프레임워크 개발.
명시적 불확실성 전파: 추정 오차와 측정 노이즈를 고려하여 불확실성 범위( $\hat{\Delta}_m$ )를 명시적으로 정량화하고 전파하는 방법을 도입함으로써, 안전 경계를 동적인 불확실성 인지 가상 경계로 변환함.
이중 전략 구현: 경사 기반 적응 방법과 그리드 기반 선택 방법을 모두 제안하여, 계산의 단순성과 추정 불일치에 대한 강건성 사이의 트레이드오프를 제공함.
벤치마크 검증: 1차 예시 모델과 2차 적응형 크루즈 컨트롤(ACC) 벤치마크에 대한 시연을 통해, 명목 참조가 안전 범위를 위반하는 경우에도 안전을 유지하는 능력을 입증함.

시뮬레이션 결과

본 논문은 두 가지 시뮬레이션 시나리오를 통해 접근 방식을 검증한다:

1차 시스템 (First-Order System): 다양한 CBF 강성( $k_c$ ) 및 기하학적 페널티( $\epsilon_p$ ) 파라미터 하에서 두 전략을 파라미터 연구를 통해 비교하였다.
- 결과: 전략 1(Gradient)은 파라미터 튜닝에 민감함을 보였으며, 강성이 높거나 페널티 두께가 낮을 때 특정 구성에서 제약 위반(안전 상실)이 발생했다. 전략 2(Grid)는 최적의 모델 파라미터를 즉각적으로 선택함으로써 테스트된 모든 구성에서 안전 마진을 일관되게 유지하며 우수한 강건성을 입증했다.
- 관찰: 그리드 기반 접근 방식은 특히 통계적 전용 불확실성 범위(Method C)를 사용할 때 경험적 튜닝 파라미터로부터 제약 이행을 효과적으로 분리해냈다.
적응형 크루즈 컨트롤 (ACC): 차량 종방향 역학을 나타내는 2차 시스템을 사용하여 차량 간 거리를 추적하였다.
- 시나리오: 참조 궤적이 일시적으로 최소 안전 거리를 위반하도록 수정되었다.
- 결과: 명목 제어기 단독으로는 시스템을 불안전한 상태로 몰아넣었을 것이다. 제안된 CBF 기반 제어기는 정밀한 차량 모델 없이도 명목 동작을 성공적으로 덮어쓰며(override), 차량 간 거리를 안전 임계값 이상으로 유지하였다.
- 성능: 그리드 전략은 변화하는 공기 저항 및 구름 저항력을 처리하기 위해 스케일링 파라미터 $\beta$ 를 실시간으로 성공적으로 적응시켜 강건한 안전 이행을 보장하였다.

의의 및 주장

저자들은 본 연구가 정밀한 시스템 모델 없이도 높은 상대 차수와 상당한 모델링 불확실성을 가진 시스템에서 안전을 강제하기 위한 체계적인 프레임워크를 제공한다고 주장한다.

강건성: 불확실성의 명시적 전파를 통해 시스템이 추정 오차와 측정 노이즈에도 불구하고 안전을 유지할 수 있게 하며, 이는 기존의 모델 프리 CBF 적용의 핵심 한계를 해결한다.
예측 능력: 불확실성에 따라 안전 경계를 이동시킴으로써, 제어기는 안전 위반이 발생하기 전에 이를 예측하고 방지할 수 있다.
적용 가능성: 이 접근 방식은 복잡하거나 잘 알려지지 않은 역학을 가진 안전 필수 애플리케이션, 예를 들어 자동차 시스템(ACC) 및 상세한 전기화학 모델 없이 안전 제약(전압, 전류, 온도)을 강제해야 하는 에너지 시스템(예: 배터리 충전)에 특히 유효하다.

본 논문은 그리드 전략이 향상된 강건성과 더 단순한 튜닝을 제공하지만, 전체적인 프레임워크로서 추정 오차를 명시적으로 고려함으로써 모델 프리 제어에서 공식적인 안전 보장을 도출하는 새로운 방향을 열어준다고 결론짓는다.