Adaptive Nonlinear Control with Online Identification and Receding-Horizon Optimization

물리적 세계를 움직이는 기계를 제어하는 것은 기계가 무엇을 해야 하는지와 기계가 실제로 무엇을 하는지 사이의 끊임없는 협상입니다. 공학 교과서의 이상적인 세계에서 로봇의 행동은 완벽하게 예측 가능합니다. 명령을 내리면 수학이 말하는 그대로 정확하게 움직입니다. 하지만 현실에서 기계는 무질서합니다. 부품은 마모되고, 연료를 태움에 따라 무게가 변하며, 기계가 밀어내는 공기는 규정하기 어려운 방식으로 작동합니다. 게다가 로봇이 어디에 있는지 알려주는 센서는 결코 완벽하지 않으며, 항상 약간의 노이즈를 포함하고 있습니다. 엔지니어들의 핵심 과제는 이러한 무질서를 실시간으로 처리할 수 있는 제어 시스템을 구축하는 것입니다. 이 시스템은 인간의 개입을 기다리거나 기계를 멈추지 않고도, 기계가 움직이는 동안 실제 본질을 파악하고, 다음에 어디로 갈지 예측하며, 경로를 유지하기 위해 즉각적으로 명령을 조정해야 합니다.

이것이 바로 연구자 이고르 라드닉(Igor Ladnik)이 개발한 AMIGO라는 새로운 접근 방식이 다루는 문제입니다. 이 시스템은 드론이나 우주선과 같은 복잡한 기계를 안내하기 위해 특정 순서로 발생하는 세 가지 뚜렷한 활동을 결합하도록 설계되었습니다. 첫째, 시스템은 기계의 진정한 특성을 배우기 위해 기계의 신호에 귀를 기울입니다. 둘째, 그 새로운 지식을 사용하여 목적지까지의 장기적인 경로를 설정합니다. 셋째, 예상치 못한 충격이나 오류를 처리하기 위해 끊임없이 미세하고 빠른 수정을 가하면서 그 경로를 실행합니다. 이 방법은 진동하는 시스템의 수학적 모델, 쿼드콥터 드론, 그리고 달에 착륙하려는 우주선이라는 세 가지 매우 다른 기계를 대상으로 시뮬레이션에서 테스트되었습니다. 모든 경우에서 시스템은 기계의 실제 물리적 특성을 성공적으로 식별했고, 안전한 궤적을 계산했으며, 기계의 실제 행동이 초기 가정과 크게 달랐음에도 불구하고 차량을 안정적인 정지 상태로 유도했습니다.

이 작업의 핵심은 컴퓨터가 이미 움직이고 있는 동안 기계에 대해 학습하도록 가르치는 방법입니다. 우주선이 달 표면을 향해 하강하는 모습을 상상해 보십시오. 이를 제작한 엔지니어들은 무게가 얼마인지, 엔진이 어느 정도의 추력을 내는지에 대한 최선의 추측을 가지고 있습니다. 하지만 연료가 타면서 우주선은 가벼워지고, 엔진은 완벽하게 효율적이지 않을 수도 있습니다. 만약 하강을 제어하는 컴퓨터가 원래의 추측에만 의존한다면, 제동에 필요한 힘을 잘못 계산하여 충돌할 수 있습니다. AMIGO는 비행의 초기 기간을 "경청"하는 데 할애함으로써 이 문제를 해결합니다. 이 단계에서 기계는 안전하고 일정한 제어 하에 움직이며, 컴퓨터는 기계의 반응을 관찰합니다. 컴퓨터는 기계의 실제 움직임을 컴퓨터 모델이 예측한 결과와 비교함으로써, 수학적 기법을 사용하여 기계의 무게와 엔진 출력에 대한 이해를 정교하게 다듬습니다. 달 착륙 시뮬레이션에서 이 과정은 컴퓨터가 비행의 결정적인 착륙 단계가 시작되기도 전에 엔진 효율을 0.1% 미만의 오차로 식별할 수 있게 해주었습니다.

시스템이 기계에 대한 신뢰할 수 있는 모델을 갖추면 계획 단계로 넘어갑니다. 여기서 컴퓨터는 단순히 현재의 순간에 반응하는 것이 아니라, 먼 미래를 내다봅니다. 컴퓨터는 현재 위치에서 안전한 착륙까지 안내할 전체 궤적, 즉 일련의 명령 목록을 계산합니다. 이것은 단순한 직선이 아닙니다. 기계의 변화하는 무게와 부드럽게 속도를 줄여야 하는 필요성을 고려한 복잡한 경로입니다. 컴퓨터는 목표로부터 역순으로 계산함으로써 이 문제를 해결합니다. 컴퓨터는 "최종적으로 완벽한 위치에 있으려면, 그 직전에는 어디에 있어야 하는가? 그리고 그 직전에는 어디에 있어야 하는가?"라고 묻습니다. 이 논리를 반복함으로써, 목표에 도달해야 하는 필요성과 연료 및 노력을 최소화해야 하는 필요성 사이의 균형을 맞추는 상세한 계획을 구축합니다. 달의 예에서, 이 계획 단계는 달의 중력과 우주선의 변화하는 질량을 고려하여 고도 800미터에서 지표면까지 가져올 경로를 생성하는 데 약 10초의 컴퓨터 시간을 소요했습니다.

마지막 단계는 기계가 실제로 비행하는 단계로, 계획에 따라 움직이되 적응할 준비를 하는 단계입니다. 이 단계에서 시스템은 가장 빛을 발합니다. 컴퓨터는 단순히 철로 위의 기차처럼 미리 계산된 경로를 따르는 것이 아닙니다. 대신, 상황을 끊임없이 재평가합니다. 매 찰나마다 컴퓨터는 기계가 실제로 있는 위치를 확인하고, 그것을 계획된 위치와 비교하며, 작은 수정을 계산합니다. 만약 돌풍이 드론을 경로에서 벗어나게 하거나 엔진이 예상과 다르게 작동한다면, 시스템은 경로로 돌아오기 위한 짧은 단기 조정을 즉각적으로 계산합니다. 이 과정은 매우 빠르게 일어나기 때문에 기계는 의도한 경로에서 거의 벗어나지 않습니다. 무게와 무게 중심을 알 수 없는 상태에서 안정화를 수행해야 했던 쿼드콥터 시뮬레이션에서, 시스템은 올바른 물리적 특성을 식별한 후 드론이 정지 비행에 도달할 때까지 기울기와 위치를 지속적으로 수정하며 안정 상태를 유지했습니다.

이 접근 방식의 힘은 기계 자체의 한계를 어떻게 다루느냐에 있습니다. 실제 엔진은 무한한 힘으로 밀 수 없으며, 힘을 즉각적으로 바꿀 수도 없습니다. 즉, 엔진은 얼마나 강하게 밀 수 있는지와 얼마나 빨리 그 힘을 바꿀 수 있는지에 대한 물리적 한계를 가집니다. 많은 제어 시스템은 이러한 한계를 무시하거나 사후에 해결하려고 시도하며, 이는 불안정성을 초래할 수 있습니다. AMIGO는 이러한 한계를 계획 과정에 직접 포함합니다. 컴퓨터가 경로를 계산할 때, 엔진이 낼 수 있는 정확한 힘과 힘을 변화시킬 수 있는 속도를 알고 있습니다. 만약 어떤 기동이 엔진이 낼 수 있는 것보다 더 많은 힘을 요구한다면, 시스템은 안전한 범위 내에 머물도록 계획을 자동으로 조정합니다. 달 착륙 시나리오에서 시스템은 메인 엔진의 추력과 자세 제어용 소형 모터를 관리하여, 우주선이 하드웨어가 제공할 수 있는 것 이상의 힘을 요구하지 않도록 함으로써 하강을 부드럽고 안전하게 유지했습니다.

이 시뮬레이션 결과는 시스템이 상당한 불확실성을 처리할 수 있을 만큼 견고하다는 것을 보여줍니다. 쿼드콥터의 경우, 컴퓨터는 드론의 질량과 무게 분포에 대한 잘못된 추정치로 시작했습니다. 초기 추측은 눈에 띄는 차이가 있었지만, 식별 단계가 이러한 오류를 빠르게 수정했습니다. 드론이 안정화 루틴을 시작할 때쯤, 컴퓨터는 드론의 실제 물리적 특성을 높은 정밀도로 파악했습니다. 달 착륙 시뮬레이션의 최종 착륙은 긴 복잡한 하강을 관리하는 시스템의 능력을 입증했습니다. 우주선은 특정 속도와 방향을 가진 채 지표면 800미터 위에서 시작했습니다. 하강 과정 동안 시스템은 엔진 효율을 식별하고, 연료 연소를 고려한 궤적을 계획했으며, 부드러운 착륙을 실행했습니다. 우주선은 수직 속도 6센티미터 미만으로 착륙했는데, 이는 실제 임무에서도 안전할 수 있는 부드러운 도착였습니다.

이 작업이 특히 주목할 만한 이유는 기계가 학습을 위해 멈추거나 휴식할 필요가 없다는 점입니다. 식별, 계획, 제어가 기계가 움직이는 동안 연속적인 루프로 일어납니다. 시스템은 실제 컴퓨터의 엄격한 시간 제한 내에서 작동하도록 설계되었습니다. 컴퓨터는 완벽한 경로를 계산하기 위해 무한한 시간을 쓸 수 없으며, 다음 순간이 오기 전에 충분히 좋은 답을 내놓아야 한다는 것을 알고 있습니다. 만약 컴퓨터에 시간이 부족해지면, 시스템은 지금까지 계산한 최선의 계획을 단순히 사용함으로써 기계가 제어력을 잃지 않도록 보장합니다. 이러한 학습, 계획, 행동 사이의 균형은 조건이 정체되어 있지 않고 완벽한 정보가 존재하지 않는 실제 세계에 시스템이 적응할 수 있게 해줍니다.

이 논문은 이 방법이 어려운 환경에서 자율 기계를 안내하는 데 있어 견고한 토대를 제공한다고 결론짓습니다. 이 시스템은 단순한 진동 시스템부터 다른 세계의 복잡한 우주선 착륙에 이르기까지 다양한 도전 과제를 다루며, 단일 시스템이 기계의 진정한 본질을 배우고, 복잡한 궤적을 계획하며, 하드웨어의 물리적 한계를 존중하면서 정밀한 수정을 통해 그 계획을 실행할 수 있음을 성공적으로 입증했습니다. 비록 이 작업은 시뮬레이션 상에서 수행되었지만, 결과는 이 접근 방식이 안전성과 적응성이 최우선인 실제 응용 분야에서 실행 가능하다는 것을 시사합니다. 이 연구 라인의 다음 단계는 실제 하드웨어에서 시스템을 테스트하고, 환경의 갑작스러운 변화나 기계의 센서 결함과 같이 훨씬 더 복잡한 불확실성을 어떻게 처리할지 탐구하는 것이 될 것입니다. 현재로서는, 이 작업은 기계가 경직된 대본을 따르는 것이 아니라, 자신의 본질을 이해하고 주변 세계에 적응함으로써 스스로 비행하는 법을 배우는 과정을 보여주는 증거로 남아 있습니다.