⚡ electrical engineering

CC-DeePC: Adaptive Conformal Calibration for Safe Data-Enabled Predictive Control under Non-Stationary Dynamics

본 논문은 적응형 컨포멀 추론(Adaptive Conformal Inference)을 활용하여 예측 오차 잔차를 기반으로 출력 제약 조건을 동적으로 보정함으로써, 기존의 강건한 방식 및 정적 베이스라인 모델들과 비교하여 비정상 동역학(non-stationary dynamics) 하에서의 인증된 슬랙 없는(slack-free) 안전성 달성률을 크게 높인 안전한 데이터 기반 예측 제어 프레임워크인 CC-DeePC를 제안한다.

원저자: Md Hasibuzzaman, Chan-Yun Yang, Gene Eu Jan

게시일 2026-08-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Md Hasibuzzaman, Chan-Yun Yang, Gene Eu Jan

원본 논문은 CC BY 4.0 (https://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

끊임없이 변화하는 세상을 가로지르는 로봇을 상상해 보십시오. 바퀴 아래의 지면이 미끄러워질 수도 있고, 화물이 이동하거나, 갑자기 바람이 불어올 수도 있습니다. 안전하게 이동하기 위해 로봇은 다음에 어떤 일이 일어날지 예측하고 어떻게 조향할지 결정해야 합니다. 만약 예측이 틀린다면, 로봇은 충돌하거나 안전한 경로에서 벗어날 수 있습니다. 수십 년 동안 엔지니어들은 과거의 움직임을 통해 예측을 수행하는 로봇을 만들기 위해 노력해 왔으며, 이 방법은 세상이 변하지 않을 때는 잘 작동합니다. 하지만 환경이 예상치 못하게 변할 때, 기존 방식들은 더 이상 현실과 맞지 않는 고정된 규칙에 의존하기 때문에 실패하곤 합니다. 과제는 로봇을 너무 조심스럽게 만들어 움직임을 완전히 멈추게 하지 않으면서도 안전을 유지하는 것입니다.

연구자들은 이 문제를 해결하기 위해 CC-DeePC라고 불리는 새로운 접근 방식을 개발했습니다. 이 시스템은 세상이 어떻게 변할지 추측하는 대신, 실시간으로 자신의 실수를 관찰합니다. 로봇이 1초 후 자신의 위치를 예측하고 나서 실제 위치를 확인할 때마다, 그 차이를 측정합니다. 만약 그 차이가 작다면, 로버는 자신의 예측이 정확하다는 것을 압니다. 만약 차이가 크다면, 무언가 변했다는 것을 알게 됩니다. 이 새로운 방법은 적응형 컨포멀 추론(adaptive conformal inference)이라는 수학적 도구를 사용하여 이러한 과거의 실수들을 안전 버퍼로 전환합니다. 이 시스템은 로봇이 안전을 유지하기 위해 얼마나 많은 여유 공간이 필요한지를 끊임없이 조정합니다. 로봇이 더 큰 실수를 하기 시작하면, 시스템은 자동으로 안전 구역을 넓힙니다. 로봇이 잘 작동하고 있다면, 더 매끄럽고 효율적인 움직임을 허용하기 위해 구역을 좁힙-니다. 이 과정은 세상이 왜 변했는지 정확히 알 필요도 없고, 변화가 예측 가능한 패턴을 따른다고 가정할 필요도 없이 이루어집니다.

연구진은 특정 속도를 추적하도록 설계된 시뮬레이션 로봇을 대상으로 이 시스템을 테스트했습니다. 그들은 자동차가 빙판길에 닿은 경우처럼 로봇의 행동이 갑자기 변하는 시나리오와, 차량이 무거운 짐을 천천히 싣는 경우처럼 점진적으로 변하는 시나리오를 만들었습니다. 그들은 이 새로운 방법을 여러 기존 전략들과 비교했습니다. 한 가지 기존 전략은 매우 큰 고정 안전 마진을 사용하여 로봇이 결코 충돌하지 않도록 보장했지만, 종종 매우 느리고 어색하게 움직였습니다. 또 다른 전략은 과거 데이터에 기반한 고정 마진을 사용했는데, 이는 세상이 변할 때까지는 잘 작동했지만, 변화가 생기는 순간 조용히 실패했습니다. 새로운 적응형 방법은 로봇이 실제로 안전 규칙을 위반하는 빈도 측면에서 가장 우수한 고정 전략들과 대등한 성능을 보였습니다. 그러나 이 방식이 안전을 달성하는 방식은 근본적으로 달랐으며 더 신뢰할 수 있었습니다.

핵심적인 발견은 새로운 방법이 단순히 수치적인 '탈출구'에 의존해서가 아니라, 실제로 예측이 정확했기 때문에 로봇을 안전하게 유지했다는 점입니다. 기존 방식들은 종 often 오류를 흡수하기 위한 숨겨진 페널티를 사용하여 로봇이 자신의 안전 규칙을 약간 어기도록 허용함으로써 안전해 보였던 경우가 많았습니다. 반면, 새로운 방법은 계산된 안전 버퍼가 진정으로 정확하기 때문에 로봇이 안전 한계 내에 머물도록 보장했습니다. 100가지의 서로 다른 시나리오를 포함한 테스트에서, 새로운 방법은 가장 우수한 고정 방식들보다 3배에서 7배 더 높은 '클린 세이프티(clean safety)' 비율을 달-성했습니다. 이는 로봇이 대부분의 시간 동안 수학이 옳았기 때문에 안전했던 것이지, 숨겨진 페널티에 의존했기 때문이 아님을 의미합니다.

연구진은 또한 두 개의 바퀴를 가진 더 복합적인 로봇과 실제 고속도로 주행 데이터를 사용한 시뮬레이션 차량을 대상으로 시스템을 테스트했습니다. 모든 경우에 적응형 방법은 이러한 높은 수준의 인증된 안전성을 유지했습니다. 그러나 그들은 이 방법의 한계를 발견했습니다. 로봇이 불완전한 판독값을 주는 센서를 사용하여 움직이는 장애물을 피해야 하는 2차원 내비게이션 작업으로 테스트를 옮겼을 때, 그 우위가 사라졌습니다. 이 어려운 설정에서 시스템은 기존 방식들과 구별되지 않았으며, 로봇은 충돌을 피하기 위해 훨씬 더 길고 구불구불한 경로를 택해야 했습니다. 이는 이 방법이 차량의 속도와 방향을 제어하는 데는 탁월하지만, 환경이 혼란스럽고 센서에 노이즈가 많은 상황에서는 어려움을 겪는다는 것을 시사합니다.

궁극적으로, 이 연구는 기계가 지나치게 보수적이지 않으면서도 변화하는 세상 속에서 안전을 유지할 수 있는 방법을 제공합니다. 이는 로봇이 자신의 오차에 반응하여 안전 범위를 유지하기 위해 스스로의 안전 마진을 실시간으로 조정하는 법을 배울 수 있음을 증명합니다. 이 시스템은 세상에 대한 완벽한 모델이나 조건이 안정적으로 유지될 것이라는 보장을 필요로 하지 않습니다. 그것은 단지 관찰하고, 실수로부터 배우며, 그에 따라 안전 구역을 조정할 뿐입니다. 모든 가능한 상황에 대한 마법 같은 해결책은 아니며, 특히 센서가 신뢰할 수 없을 때 그렇지만, 이 방식은 지면 아래의 상황이 변하기 시작할 때 자율 시스템을 안전하게 유지할 수 있는 견고하고 수학적으로 타당한 방법을 제시합니다.

기술 요약: CC-DeePC

문제 정의
데이터 기반 예측 제어(Data-Enabled Predictive Control, DeePC)는 행동 예측기(Hankel 행렬 표현)를 사용하여 측정된 입출력 궤적으로부터 미지의 시스템을 직접 제어한다. 그러나 이 예측기의 신뢰성은 구축에 사용된 데이터 윈도우에 달려 있다. 시스템 역학이 비정상적(non-stationary)인 경우(예: 마찰 계수의 드리프트 또는 페이로드 변화), 예측기의 유효성은 저하된다. 고정된 정규화나 정적 분포 강건(distributionally-robust) 모호성 집합과 같은 기존의 강건성 접근 방식은 오프라인으로 교정되며, 역학이 교정 데이터로부터 멀어짐에 따라 안전 보장이 저하되는 '침묵의 실패(silent failures)'를 초래한다. 또한, 안전을 위한 등각 예측(conformal prediction)에 관한 기존 연구는 주로 외부 에이전트(예: 다른 차량)에 대한 불확실성 교정에 집중해 왔으며, 에고(ego) 시스템 자체의 데이터 기반 예측기에 대한 교정에는 집중하지 않았다.

방법론: CC-DeePC
저자들은 CC-DeePC(Conformally-Calibrated DeePC)를 제안한다. 이는 **적응형 등각 추론(Adaptive Conformal Inference, ACI)**을 DeePC 재귀적 수평 제어 루프에 직접 통합한 변형 모델이다.

핵심 메커니 Mechanism: 외부 에이전트나 정적 마진에 의존하는 대신, CC-DeePC는 제어기의 실제 1단계 예측 잔차( $s_t = |y_{t+1} - \hat{y}_{t+1|t}|$ )를 사용하여 출력 제약 마진( $m_t$ )을 교정한다.
온라인 재교정: 이 방법은 현재 잔차가 현재 마진을 초과하는지 여부에 따라 미교정 수준 $\alpha_t$ 를 업데이트하는 ACI 재귀를 채택한다. 그 후 마진 $m_{t+1}$ 은 업데이트된 $\alpha_{t+1}$ 에 대응하는 최근 잔차들의 슬라이딩 버퍼의 경험적 분위수(empirical quantile)로 설정된다.
연성 제약 최 optimization: 제어 문제는 연성 제약이 적용된 이차 계획법(Quadratic Program, QP)으로 정식화된다. 출력 제약은 마진 $m_t$ 에 의해 축소된다 (즉, $y + m_t \leq \hat{y} \leq \bar{y} - m_t$ ). 축소된 박스(box)가 도달 불가능할 수 있는 과도 상태에서의 가용성을 보장하기 위해, 무거운 패널티가 부여된 슬랙 변수( $s_{lo}, s_{hi}$ )가 도입된다.
이론적 보장:
- Proposition 1: 교환 가능성(exchangeability)이나 정상성(stationarity) 가정을 요구하지 않고, 임의의 비정상 역학 하에서 잔차 시퀀스에 대한 유한 시계열 경험적 미교정 경계(finite-horizon empirical miscoverage bound)를 증명한다.
- Lemma 1 & Corollary 1: 잔차 커버리지와 물리적 제약 안전 사이를 연결하는 충분 조건을 확립한다. 구체적으로, 슬랙 변수가 비활성(zero) 상태이고 잔차가 마진 내에 포함되어 있다면, 물리적 출력이 안전 경계를 만족함이 보장된다. 이는 이론적인 잔차 경계와 실제 물리적 안전 사이의 간극을 메운다.

주요 기여

정식화: 온라인 ACI 업데이트를 연성 제약 DeePC 프레임워크에 통합하여, 실현된 성능에 기초하여 자체 안전 마진을 재교정하는 제어기를 생성하였다.
이론적 가교: 비정상성 하에서의 잔차 커버리지에 대한 엄밀한 증명(Proposition 1)과, 이 커버리지를 물리적 안전으로 연결하는 명시적인 충분 조건(Lemma 1)을 제공함으로써, "인증된 안전"(마진을 통해 충족됨)과 "폴백 안전"(슬랙 변수를 통해 충족됨)을 구분하였다.
경험적 검증: 단일 입력 단일 출력(SISO) 및 다중 입력 다중 출력(MIMO) 시스템을 포함하여, 실제 데이터 확장 및 2D 장애물 회피를 포함한 4가지 베이스라인(Nominal, Fixed Worst-Case, Static Conformal, Fixed Distributionally-Robust)에 대한 포괄적인 벤치마크를 수행하였다.

결과

성능 대 강건성: 급격하거나 점진적인 드리프트 상황에서, CC-DeePC의 원시 위반율(raw violation rates)과 추적 RMSE는 Fixed Distributionally-Robust (DR-DeePC) 베이스라인과 통계적으로 구별되지 않는다. 그러나 DR-DeePC와 달리, CC-DeePC는 이러한 지표를 달성하기 위해 극단적인 보수성에 의존하지 않는다.
클린-안전율(Clean-Safety Rate): 가장 중요한 발견은 "클린-안전율"(연성 슬랙을 활성화하지 않고 안전이 달성된 단계의 비율)이다. CC-DeePC는 DR-DeePC보다 3.6~7배, Static Conformal 방법보다 1.4~1.9배 더 높은 클린-안전율을 달enc한다. 이는 CC-DeePC의 안전 성능이 QP의 수치적 폴백(fallback)이 아니라, 교정된 구간의 유효성에 근거하고 있음을 나타낸다.
인과적 격리(Causal Isolation): 절제 실험(Ablation studies)을 통해 성능 향상이 단순히 신선한 데이터의 슬라이딩 윈도우를 사용하는 것이 아니라, 구체적으로 ACI 재귀( $\alpha_t$ 의 온라인 업데이트)에 의해 구동됨을 확인하였다.
확장성:
- 실제 데이터: 실제 NGSIM 차량 궤적 데이터에서 추출된 드리프트 파라미터에 적용했을 때, CC-DeePC는 고정된 베이스라인보다 3~10배 작은 마진을 요구하면서도 현저히 높은 클린-안전율을 유지하였다.
- 2D 내비게이션: (불완전한 상태 추정을 포함하는) LiDAR 센싱이 포함된 더 어려운 2D 장애물 회피 작업에서, CC-DeePC는 Nominal 및 Static 베이스라인에 비해 충돌률을 줄였으나, 더 높은 추적 오차와 경로 길이를 기록했다. 결정적으로, 이 환경에서는 "클린-안전"의 이점이 감소하여 다른 베이스라인들과 통계적으로 구별되지 않을 정도로 낮아졌으며, 이는 센싱 불완전성에 대한 방법의 민감도를 보여준다.

의의 및 주장
본 논문은 CC-DeePC가 원시 위반율(여기서 강건한 베이스라인과 대등함)이 아닌 인증 가능성(certifiability) 측면에서 차별화된 이점을 제공한다고 주장한다. 저자들은 표준적인 강건 방법들이 종종 "인증되지 않은 폴백"(무거운 슬랙 활성화)에 의존하여 낮은 위반율을 달성하는 반면, CC-DCPE는 분포를 가정하지 않는 온라인 교정된 보장을 바탕으로 성능을 구현한다고 논한다.

저자들은 다음과 같이 겸허하게 인정한다:

이 방법이 원시 지표(RMSE 또는 위반율)에서 고정된 베이스라인을 보편적으로 능가하는 것은 아니다.
"클린-안전" 이점은 보편적이지 않으며, 현실적인 센싱 불완전성과 움직이는 장애물 하에서는 통계적 유의성이 사라질 수 있다.
방법론은 급격한 역학 변화 직후에 일시적인 과도한 보수성(큰 마진)을 보이며, 이는 ACI 메커니즘의 알려진 트레이드오프이다.
현재의 MIMO 확장은 완전한 다변량 교정이 아닌 스칼라화된 비정상성 점수(nonconformity score)를 사용한다.

이 연구는 CC-DeePC를 비정상적 역학 하에서의 안전한 데이터 기반 제어를 향한 단계로 위치시키며, 유효한 예측 구간을 통해 달성된 안전과 수치적 완화를 통해 달성된 안전을 구분하는 것의 중요성을 강조한다.

기술 요약: CC-DeePC

유사한 논문