⚡ electrical engineering

VertexCBF: Improving Neural Control Barrier Functions via Vertex-Restricted Control Search

이 논문은 물리 기반 학습과 GPU 병렬 정점 제한 제어 탐색을 통해 해밀턴-야코비 가치 함수를 근사함으로써 신경망 제어 장벽 함수를 학습하고, 효과적으로 넓은 안전 집합을 복구하며 시뮬레이션과 실제 로봇 실험 모두에서 안전성을 보장하는 확장 가능하고 설명 가능한 프레임워크인 VertexCBF를 소개한다.

원저자: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

게시일 2026-09-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

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

보도 위의 배달 로봇부터 숲을 감시하는 드론에 이르기까지, 자율 주행 기계가 우리 일상생활에서 점점 더 흔해짐에 따라 근본적인 질문이 제기됩니다. 어떻게 하면 이 기계들이 결코 사람이나 다른 무엇인가를 해치지 않도록 보장할 수 있을까요? 그 답은 '안전 필터(safety filter)'라고 알려진 수학적 개념에 있습니다. 로봇이 앞으로 이동하라는 명령을 받았으나 보행자가 경로로 들어선 상황을 상상해 보십시오. 안전 필터는 깨어 있는 파수꾼처럼 작동하여, 그 명령이 안전한지 즉각적으로 확인합니다. 경로가 비어 있다면 로봇은 진행하고, 그렇지 않다면 필터는 로봇의 목표를 달성하면서도 충돌을 피할 수 있도록 로봇의 움직임을 아주 미세하게 조정합니다. 수년 동안 엔지니어들은 제어 장벽 함수(control barrier functions)에 기반한 특정 유형의 안전 필터를 사용하여 엄격한 안전 보장을 제공해 왔습니다. 그러나 복잡한 로봇을 위해 이러한 필터를 설계하는 것은 매우 어려운 일이었습니다. 전통적인 방식은 안전 구역을 너무 작게 설정하여 로봇이 지나치게 조심스럽고 비효리적으로 움직이게 만들거나, 로봇의 움직임이 수작업으로 지도화하기에 너무 복잡해질 경우 아예 실패하곤 했습니다.

한 연구팀은 이 문제를 해결하기 위해 VertexCBF라고 불리는 새로운 접근 방식을 개발하여, 로봇이 훨씬 더 크고 실용적인 안전 구역을 학습할 수 있도록 했습니다. 복잡한 기계에 대해 로봇이 취할 수 있는 모든 가능한 미래 경로를 계산하려는 대신(이는 복잡한 기계에게 계산적으로 불가능한 작업입니다), 그들은 특정 수학적 지름길에 집중했습니다. 그들은 많은 로봇의 경우, 안전에 관한 가장 결정적인 결정이 로봇 모터가 할 수 있는 능력의 바로 가장자리에서 일어난다는 사실을 깨달았습니다. 로봇의 제어 능력의 극단적인 한계, 즉 '꼭짓점(vertices)'으로 탐색 범위를 제한함으로써, 이전보다 훨씬 더 빠르고 정확하게 고품질의 훈련 데이터를 생성할 수 있었습니다. 그런 다음 그들은 이 데이터를 사용하여 인공지능의 한 종류인 신경망(neural network)이 안전한 상태와 안전하지 않은 상태를 인식하도록 가르쳤습니다. 그 결과, 로봇이 지나치게 조심스러워지지 않으면서도 안전을 유지하는 법을 배우며, 로봇이 자유롭게 작동할 수 있는 가능한 최대 영역을 효과적으로 회복하는 시스템이 탄생했습니다.

연구진은 단순한 진자부터 드론, 복잡한 수중 차량, 걷는 로봇에 이르기까지 15가지의 서로 다른 로봇 시스템을 대상으로 이 방법을 테스트했습니다. 모든 경우에서 그들은 자신들의 새로운 학습 방법을 기존 기술들과 비교했습니다. 기존 방식은 안전 구역을 비어 있게 만들어 로봇이 전혀 움직일 수 없게 하거나, 너무 작게 만들어 로봇을 사실상 마비시키곤 했습니다. 반면, 새로운 방법은 일관되게 크고 신뢰할 수 있는 안전 구역을 찾아냈습니다. 예를 들어, 로봇이 막대기를 균형 잡는 시스템을 시뮬레이션했을 때, 전통적인 접근 방식은 어떤 안전한 경로도 찾지 못했지만, 새로운 방법은 로봇이 안전하게 작동할 수 있는 광범위한 영역을 성공적으로 식별했습니다. 연구팀은 또한 실제 모바일 로봇을 이용한 하드웨어 실험을 통해 학습된 안전 필터를 검증했습니다. 로봇은 자신을 가로막기 위해 의도적으로 움직이는 보행자들을 피하며 공간을 통과하는 과제를 수행했습니다. 새로운 방법으로 훈련된 안전 필터를 사용한 로봇은 10번의 모든 시험에서 충돌을 성공적으로 피했으며, 목적지를 향해 계속 나아가면서도 안전 거리를 유지하기 위해 경로를 부드럽게 조정했습니다.

이 접근 방식이 특히 강력한 이유는 엄격한 수학적 안전성과 실용적인 효율성이라는 두 가지 상충하는 요구를 어떻게 균형 있게 맞추느냐에 있습니다. 연구진은 로봇이 운동 법칙을 결-코 위반하지 않도록 보장하는 물리 기반 규칙과, 그 간극을 채우는 데이터 기반 학습 과정을 결합했습니다. 그들은 학습된 안전 구역이 로봇의 물리적 한계보다 결코 커질 수 없도록 특정 구조를 가진 신경망을 설계하여, AI가 존재하지 않는 안전한 경로를 '환각(hallucinating)'하는 것을 방지했습니다. 이는 로봇이 자신의 실제 물리적 제약 조건 내에 머물도록 보장합니다. 이 연구는 로봇의 제어 능력의 중간 지점을 샘플링하는 대신 극단적인 한계에 집중함으로써, 시스템이 이전의 방법들이 달성할 수 없었던 수준의 확신을 가지고 복잡한 환경을 항해하는 법을 배울 수 있음을 보여줍니다. 이 작업은 안전은 절대적이어야 하지만 효율성 또한 희생될 수 없는, 붐비고 예측 불가능한 인간 환경에 자율 주행 로봇을 배치하기 위한 길을 제시합니다.

기술 요약: VertexCBF

문제 정의

자율 로봇 애플리케이션이 확장됨에 따라, 안전하고 신뢰할 수 있는 운영을 보장하는 것이 중요한 과제로 남아 있습니다. 제어 장벽 함수(Control Barrier Functions, CBFs)는 안전 필터링을 위한 이론적 근거가 있는 프레임워크를 제공하지만, 상태 및 입력 제약이 있는 시스템을 위한 효과적인 CBF를 설계하는 것은 매우 어렵습니다. 기존의 학습 기반 방법들은 확장성이나 해석 가능성이 떨어지거나, 지나치게 보수적인 안전 집합(safe sets)을 생성하는 경향이 있습니다. 또한, 물리 정보 기반 학습(Hamilton–Jacobi–Bell Bell variational inequalities 해결)에만 의존하는 접근 방식은 종종 사소하거나 최적이 아닌 해로 수렴하며, 전체 제어 궤적 최적화(full-control trajectory optimization)를 감독(supervision)으로 사용하는 방식은 계산 비용이 많이 들고 정보량이 적을 수 있습니다.

방법론: VertexCBF

저자들은 Hamilton–Jacobi (HJ) 도달 가능성(reachability)으로 특징지어지는 최적의 안전 집합을 근사하는 신경망 CBF를 학습하기 위한 프레임워크인 VertexCBF를 제안합니다. 이 방법은 물리 정보 기반 학습과 제어 아핀(control-affine) 시스템의 특정 구조적 특성에서 유도된 희소하고 고품질인 감독 데이터를 통합합니다.

핵심 구성 요소

가치 함수(Value Function)의 신경망 근사:
본 방법은 정적 HJ 안전 가치 함수 $V(x)$ 를 신경망으로 근사합니다. 학습된 안전 집합이 원래의 물리적 제약을 절대 초과하지 않도록 하기 위해, 네트워크는 **잔차 구조(residual architecture)**를 채택합니다:
$V_\Theta(x) = c(x) - r_\Theta(x)$
여기서 $c(x)$ 는 제약 함수이며, $r_\Theta(x) \geq 0$ 은 다층 퍼셉트론(MLP)에 의해 출력되는 비음수 잔차입니다. 이는 $V_\Theta(x) \leq c(x)$ 를 보장하여, 학습된 안전 집합이 제약 집합의 부분 집합이 되도록 보장합니다.
정점 제한 제어 탐색(Vertex-Restricted Control Search):
핵심 혁신은 감독 레이블을 생성하는 데 있습니다. 제어 아핀 시스템( $\dot{x} = f(x) + g(x)u$ )과 볼록 다면체 제어 집합 $U$ 에 대해, 해밀토니안(Hamiltonian)은 $U$ 의 **정점(vertices)**에서 최대화됩니다.

복잡한 편미분 방정식(PDE)을 풀거나 전체 제어 궤적 최적화(예: MPPI)를 수행하는 대신, VertexCBF는 제어 탐색을 제어 다면체의 정점으로 제한합니다.
이를 통해 무한 시계(infinite-horizon) 안전 문제를 이산적인 제어 시퀀스 세트에 대한 유한 시계 최적화 문제로 변환합니다.
감독 레이블은 이러한 정점 제한 궤적에 대한 GPU 병렬 트리 탐색(Beam Search, Stochastic Beam Search 또는 Branch-and-Bound 사용)을 통해 생성됩니다. 이는 수치적 PDE 솔버의 필요성을 없애고, 전체 제어 샘플링에 비해 계산 부담을 줄여줍니다.

학습 목적 함수(Training Objective):
신경망은 두 가지 손실 항의 볼록 결합을 최소화하도록 학습됩니다:

물리 정보 손실 ( $L_{PDE}$ ): 밀집하게 샘플링된 레이블이 없는 상태들에 대해 정적 HJ 변분 부등식을 국소적으로 강제합니다.
데이터 손실 ( $L_{data}$ ): 희소하게 샘플링된 상태에서 정점 제한 트리 탐색을 통해 생성된 레이블과 네트워크 출력 사이의 평균 제곱 오차를 최소화합니다.
이러한 결합은 최적화 과정을 (PDE 전용 학습에서 흔히 발생하는) 사소한 상수 해로부터 유도하는 동시에, 시스템 역학과의 국소적 일관성을 유지합니다.

주요 기여

체계적인 학습 프레임워크: 본 논문은 HJ 도달 가능성 이론과 지도 학습을 결합하여 신경망 CBF를 학습하는 방법을 소개합니다.
정점 제한 감독: 제어 아핀 역학과 볼록 제어 제약을 활용함으로써, 정점 제한 제어 데이터(Vertex-Restricted Control Data, VRCD)를 통해 감독을 효율적으로 생성할 수 있음을 입증했습니다. 이 접근 방식은 전체 제어 샘플링보다 확장성이 뛰어나고 PDE 전용 최적화보다 효과적입니다.
잔차 파라미터화: 잔차 구조를 사용하여 학습된 CBF가 제약 함수에 의해 상한이 됨을 보장하며, 학습 과정이 물리적 한계를 넘어 안전 집합을 확장하는 것을 방지합니다.
포괄적인 평가: 방법론은 15개의 다양한 동적 시스템(2~~13개의 상태와 1~~6개의 제어 입력을 포함)에서 평가되었으며, PDE 전용 베이스라인 및 전체 제어 MPPI 감독과 비교되었습니다.

실험 결과

평가는 VertexCBF가 베이스라인 방법들보다 일관되게 더 크고 신뢰할 수 있는 안전 집합을 회복함을 보여줍니다:

신뢰성: PDE 전용 학습(ND)은 빈번하게 실패하여, 사소한 해로 수렴하여 안전 집합이 비어 있거나 높은 허위 안전율( $\rho_{FS}$ )을 보입니다. VertexCBF는 대부분의 시스템에서 낮은 허위 안전율을 유지합니다.
효과성: MPPI를 통한 전체 제어 데이터(FCD)와 비교했을 때, VertexCBF(VRCD 사용)는 경쟁력 있거나 우수한 유효 안전 부피( $\eta_{eff}$ )와 더 낮은 허위 불안전율( $\rho_{FU}$ )을 달 achieves 합니다. 전체 제어 MPPI 감독은 종종 지나치게 보수적인 안전 집합을 생성합니다.
하드웨어 검증: 보행자 사이를 항해하는 모바일 로봇을 이용한 하드웨어 실험은 학습된 신경망 CBF가 모델 불일치(예: 타이어 슬립, 인지 지연)에도 불구하고 10회의 모든 시험에서 충돌을 성공적으로 회피하며 실시간 안전 필터로 배포될 수 있음을 확인시켜 주었습니다.

의의 및 주장

본 논문은 VertexCBF가 신경망 CBF를 학습하기 위한 실용적이고 체계적인 설계 접근 방식을 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

확장성: 제어 집합의 정점 구조를 활용함으로써 격자 기반 PDE 솔버의 난해함과 전체 제어 궤적 최적화의 높은 계산 비용을 피합니다.
강건성: 고품질의 희소 감독을 도입함으로써 PDE 전용 학습의 불안정성과 사소한 해 문제(triviality)를 극복합니다.
안전 보장: 잔차 구조는 학습된 안전 집합이 원래의 상태 제약 내에 머물도록 하는 내장된 보장을 제공합니다.

저자들은 본 방법이 아직 공식적인 수렴 보장이나 결정론적 오차 경계를 제공하지 않으며, 대신 폐루프 롤아웃(closed-loop rollouts)을 통한 사후 학습 검증에 의존한다는 점을 언급하며 한계를 인정했습니다. 또한, 13개 상태까지는 잘 확장되지만, 매우 고차원의 전신 역학(예: 전체 휴머노이드 모델)의 경우 제어 정점의 수에 따른 트리의 지수적 증가로 인해 여전히 계산적 도전 과제가 될 수 있음을 명시했습니다. 향후 연구로는 수렴 보장, 고차원 시스템을 위한 확장성, 그리고 불확실한 역학으로의 확장이 제안되었습니다.