CacheMPC: Certified Cached Model Predictive Control for Quadruped Locomotion

기술 요약: 사족 보행 로봇을 위한 인증된 캐시 기반 모델 예측 제어 (Certified Cached Model Predictive Control)

문제 정의
보행 로봇을 위한 계층적 제어 아키텍처는 일반적으로 궤적 계획을 위한 저속 모델 예측 제어(MPC) 계층과 토크 생성을 위한 고속 전신 제어(WBC) 계층을 채택한다. MPC는 강인함과 추종 성능을 보장하기 위해 표준적으로 사용되지만, 매 사이클마다 발생하는 이차 계획법(QP) 풀이의 계산 비용은 임베디드 프로세서(예: NVIDIA Orin NX)에서의 업데이트 속도를 제한하는 병목 현상이 된다. 이러한 병목은 폐루프 제어 주파수를 제한하며, 통상적인 5ms 예산 내에서 가용 헤드룸을 거의 남기지 않는다. 명시적 MPC(explicit MPC)와 같은 기존의 가속 방법은 상태 차원에 따라 지수적으로 확장되는 문제가 있으며, 신경망 근사 방식은 실행 시간(runtime)의 정당성 보장이 부족하고, 웜 스타트(warm-starting)는 상태 변화가 클 때 효용이 감소한다.

방법론: Certified CacheMPC
본 논문은 이전에 계산된 접촉력 궤적을 캐싱하고 재사용하면서도, 결정론적인 쿼리별 인증(per-query certificate)을 통해 원형 실행 가능성(primal feasibility)과 유계된 부최적성(bounded suboptimality)을 보장하는 Certified CacheMPC 프레임워크를 제안한다.

1. 아키텍처 및 캐싱:

   • LSH 인덱싱: 시스템은 측정된/목표된 질량 중심(CoM) 속도와 바디 프레임 기준 발 위치로 구성된 특징 벡터 $\phi \in \mathbb{R}^{18}$를 사용하여 캐시 항목을 인덱싱하기 위해 국소 민감 해싱(Locality-Sensitive Hashing, LSH)을 사용한다.
   • 파티셔닝: 캐시는 접촉 모드(접촉 중인 발의 집합)에 따라 파티션된다. 이를 통해 파티션 내에서 QP 구조(제약 조건 행렬)가 동일하게 유지되도록 하여 효율적인 재사용을 가능하게 한다.
   • 검색(Retrieval): 쿼리 시점에 컨트롤러는 LSH를 통해 상위-$K$ 후보군을 검색한다. 이 후보들은 가공되지 않은 캐시된 솔루션이거나, 민감도 보정된 아핀 외삽($\bar{U} = U^\star + K(x - x_c)$)일 수 있다.

2. 쿼리별 인증 (Per-Query Certificate):
   휴리스틱한 캐싱과 달리, 모든 검색된 후보는 적용 전 엄격한 인증을 통과해야 한다. 인증은 현재 QP의 KKT 데이터에 대해 다음 두 조건을 평가한다:

   • 원형 실행 가능성 (Primal Feasibility): 후보 제어 입력 $\bar{U}$가 수치적 허용 오차($\epsilon_{feas}$) 내에서 현재 제약 조건($d \le C\bar{U} \le d$)을 만족하는지 확인한다.
   • 부최적성 경계 (Suboptimality Bound): 라그랑주 쌍대 간극(Lagrangian dual-gap) 양 $\Gamma(\bar{U})$를 계산한다. 약쌍대성(weak duality)에 의해, $\Gamma(\bar{U})$는 실제 부최적성 $\Delta J = J(\bar{U}) - J^\star$에 대한 엄격한 상한을 제공한다.
   • 수용 규칙: 후보가 $\rho_{feas} \le \epsilon_{feas}$ 및 $\Gamma(\bar{U}) \le \beta(\bar{U})$를 만족할 때만 수용된다. 여기서 $\beta$는 상대적/절대적 비용 예산이다. 인증이 실패하면 시스템은 온라인으로 QP를 직접 푸는 방식으로 회귀(fallback)한다.

3. 유계 예산 컨트롤러 스케줄 (Bounded-Budget Controller Schedule):
   컨트롤러는 틱당 결정론적 시간 예산($T_{total} = T_{cache} + T_{solve} + T_{fallback}$)을 강제한다:

   • $T_{cache}$ 내에 인증된 검색을 시도한다.
   • 검색에 실패하거나 시간이 남으면, $T_{solve}$ 내에 QP를 푼다.
   • 마감 시간을 놓치면, 마지막으로 인증된 실행 가능한 시퀀스의 변형된 버전을 폴백(fallback)으로 적용한다.

주요 기여

1. 결정론적 인증: 소스(LSH, 오프라인 딕셔너리, 또는 민감도 보정)와 무관하게 임의의 실행 가능한 제안에 대해 비용 상한을 제공하는 쿼리별 QP 인증(Proposition 1).
2. 안전 독립적 검색: 적용된 제어의 안전성이 검색 정책에 독립적임을 입증함(Proposition 2). 즉, LSH가 임의의 또는 유효하지 않은 제안을 반환하더라도, 인증 절차가 검증된 제어만을 적용하도록 보장한다.
3. 실험적 검증: MuJoCo에서의 2,038회 콜드 컨트롤러 실험과 NVIDIA Orin NX를 탑재한 Unitree Go2 로봇에서의 첫 실전 배포 세션을 포함한 종합적인 평가.

결과

• 속도 향상: 시뮬레이션에서 게이트가 없는 캐시(un-gated cache, 인증 없음)는 25배의 중앙값 속도 향상을 달了. 인증된 변체들(Cache-Cert, Cache-Full)은 시뮬레이션에서 3.4~3.6배의 중앙값 속도 향상을 달성했다. 임베디드 Orin NX 하드웨어에서 게이트 없는 캐시는 18.7배의 중앙값 속도 향상을 보였으나, 인증된 Cache-Full 설정은 (특정 QP 데이터에 의해 듀얼 갭 경계가 자주 위반됨에 따라) 베이스라인보다 느려졌다.
• 보행 성능: 속도 스윕(0–0.6 m/s) 전반에 걸쳐, 모든 캐시 구성은 속도 RMSE 측면에서 노-캐시(no-cache) 베이스라인과 ±14% 이내의 오차를 보였다. 시뮬레이션 실험 중 낙상은 발생하지 않았다.
• 실패 경계 안전성: 세 가지 실패 경계 조건(높은 측면 밀기, 스텝 트래버설)에서 수행된 600회의 표적 캠페인($n=50$ per cell) 결과, 어떤 캐시 변체와 노-캐시 베이스라인 사이에서도 폐루프 안정율의 통계적으로 유의미한 차이는 발견되지 않았다. 현재의 샘플 크기에서는 인증의 안전 기여도가 식별되지 않았다.
• 하드웨어 배포: 시뮬레이션에서 훈련된 캐시는 로봇으로 성공적으로 전이되었다. 그러나 하드웨어에서의 높은 거부율(LSH 히트의 약 71%가 거부됨)로 인해, 인증된 캐시가 베이스라인보다 느려졌으며, 이는 시뮬레이션 QP 데이터와 실제 로봇 역학 사이의 간극을 보여준다.

의의 및 주장
본 논문은 Certified CacheMPC가 캐싱의 속도와 보행 로봇의 안전 요구 사항 사이의 간극을 성공적으로 메운다고 주장한다. 주요 의의는 결정론적이고 소스 독립적인 인증에 있으며, 이는 캐시된 솔루션을 단순한 휴리스틱 추측에서 검증된 명시적 MPC 법칙의 국소적 조각으로 격상시킨다.

저자들은 현재의 평가와 관련하여 인증의 안전성에 대해 신중한 입장을 취한다. 그들은 인증이 비용 부최적성에 대한 엄격한 상한을 제공하지만, 현재의 샘플 크기($n=50$)에서는 하위 단계의 WBC 및 하드웨어 역학에 의해 가려져, 폐루프 안전성(낙상 방지)에 미치는 구체적인 기여를 명확히 규명할 수 없다고 밝히고 있다. 본 프레-임워크는 하위 단계의 최적화 보장(theoretical guarantees)을 희생하지 않으면서 MPC 업데이트를 가속화할 수 있는 유효한 방법론으로 제시된다. 이 연구는 더 정교한 경계, 엄격한 안정성 정리, 그리고 온라인 캐시 정교화(online cache refinement)를 위한 기초를 마련한다.