Kalman filter-based error prediction with forgetting factor iterative learning control scheme

현대 제조의 세계에서 기계는 종종 로봇 팔이 자동차 프레임을 용접하거나 프린터가 플라스틱 층을 쌓는 것처럼 동일한 동작을 반복해서 수행하는 과업을 부여받습니다. 이러한 기계가 극도로 정밀하게 움직이도록 하기 위해 엔지니어들은 반복 학습 제어(iterative learning control)라고 불리는 전략을 사용합니다. 그 아이디어는 단순하면서도 강력합니다. 기계가 동작을 시도하고, 목표 경로에서 얼마나 벗어났는지 측정하며, 그 실수를 다음 시도를 조정하는 데 사용하는 것입니다. 반복할 때마다 기계는 학습하며, 원하는 경로를 완벽하게 따를 때까지 동작을 정교하게 다듬습니다. 그러나 이 학습 과정은 현실 세계에서 중대한 장애물에 직면합니다. 바로 노이즈(noise)입니다. 공장에서 기계는 갑작스러운 공기의 흐름, 전력 변동, 또는 느슨해진 부품과 같은 무작위적이고 예측 불가능한 충격과 진동에 끊임없이 노출됩니다. 이러한 무작위적인 방해 요소들은 매번 다르기 때문에, 기계는 이를 단순히 "기억"하여 나중에 상쇄할 수 없습니다. 기계가 무작위적인 충격으로 인해 망가진 움직임을 통해 학습하려고 할 때, 종종 잘못된 교훈을 얻게 되어 성능이 저하되거나 영구적인 오차에 빠질 수 있습니다.

이를 해결하기 위해, 란저우 공업대학교(Lanzhou University of Technology)의 연구진은 이러한 기계가 더 효과적으로 학습할 수 있도록 돕는 새로운 방법을 개발했습니다. 그들은 표준 학습법에 칼만 필터(Kalman filter)라고 알려진 수학적 도구를 결합했는데, 이는 마치 똑똑한 노이즈 캔슬링 귀와 같은 역할을 합니다. 학습 제어기가 과거의 시도를 바탕으로 기계의 경로를 수정하려고 노력하는 동안, 칼만 필터는 현재의 데이터를 살펴보고 오차 중 어느 부분이 기계가 학습해야 할 실제 실수인지, 그리고 어느 부분이 무시해야 할 단순한 무작위 노이즈인지를 추정합니다. 실시간으로 신호와 잡음을 분리함으로써, 시스템은 훨씬 더 날카로운 교정을 수행할 수 있습니다. 연구진은 이 새로운 접근 방식인 복합 제어 기법(composite control scheme)을 산업용 기계의 거동을 모사한 컴퓨터 시뮬레이션을 통해 테스트했습니다. 그들은 이 노이즈 필터링 능력을 통합함으로써, 기계가 더 빠르게 학습할 뿐만 아니라 훨씬 더 높은 수준의 정확도를 달아 기존 방식보다 평균 오차를 절반 이상 줄였다는 것을 발견했습니다.

연구진이 다룬 핵심 과제는 표준 학습 시스템이 환경이 완벽하게 깨끗하지 않을 때 어려움을 겪는다는 점입니다. 일반적인 설정에서, 만약 기계가 한 주기 동안 무작위 진동을 겪는다면, 제어 시스템은 그 진동을 자신의 움직임에 결함이 있는 것으로 오해하여 다음 주기에 이를 보정하려고 할 수 있습니다. 진동은 무작위적이며 동일한 방식으로 다시 발생하지 않기 때문에, 기계는 과잉 보정을 하게 되어 새로운 오차를 유발하게 됩니다. 이러한 혼란의 순환은 기계가 자신의 잠재력에 도달하는 것을 방해합니다. 이 논문에서 제안된 새로운 방법은 "망각 계수(forgetting factor)"를 도입하는데, 이는 시스템이 오래된 데이터보다 최근의 정보를 더 비중 있게 다루도록 하여 시스템이 구식 실수에 갇히지 않도록 보장하는 메커니즘입니다. 더 중요한 것은, 이 과정 위에 칼만 필터를 층층이 쌓았다는 점입니다. 이 필터는 예측기 역할을 하며, 오차의 패턴을 관찰하고 무작위 스파이크를 걸러냄으로써 기계의 실제 상태를 지속적으로 추정합니다. 이는 본질적으로 "이 편차가 나의 경로에 있는 실제 문제인가, 아니면 일시적인 글리치(glitch)인가?"라고 묻고 그에 따라 학습을 조정하는 것입니다.

아이디어를 검증하기 위해, 팀은 로봇 팔이 곡선을 따라 추적하는 것과 유사하게 특정 경로를 따라 움직이는 기계의 디지털 모델을 만들었습니다. 그들은 시뮬레이션에 무작위 노이즈를 포함하도록 프로그래밍하여 실제 공장 바닥의 혼란스러운 조건을 모사했습니다. 그런 다음 두 가지 다른 시나리오를 실행했습니다. 하나는 표준 학습 방법을 사용하는 기계이고, 다른 하나는 칼만 필터가 포함된 새로운 결합 방법을 사용하는 기계입니다. 결과는 놀라웠습니다. 표준 시나리오에서는 기계의 경로가 크게 흔들렸고, 많은 시도 후에도 오차가 격렬하게 요동쳤습니다. 기계는 무작위 노이즈에 끊임없이 반응하며 매끄럽고 정밀한 움직임에 안착하지 못했습니다. 반면, 새 방법을 사용하는 기계는 빠르게 리듬을 찾았습니다. 무작위 노이즈가 효과적으로 평활화되었고, 이를 통해 기계는 따라야 할 경로의 실제 형태에 집중할 수 있었습니다.

시뮬레이션 데이터는 성능의 명확한 향상을 보여주었습니다. 시스템이 정상 상태(steady state)에 도달했을 때, 표준 방식의 평균 오차는 약 20.22 단위였던 반면, 새 방식은 이를 약 10.08 단위로 줄였습니다. 이는 정확도 면에서 50%의 개선을 의미합니다. 또한, 새 시스템의 안정성은 훨씬 더 우수했습니다. 표준 방식은 오차가 크게 오르내리는 높은 변동성을 보인 반면, 새 방식은 오차를 엄격하게 제어했습니다. 연구진은 또한 평균적인 편차를 나타내는 척도인 제곱평균제곱근 오차(root mean square error)를 조사하였고, 이것이 52% 이상 감소했음을 발견했습니다. 이 수치들은 새로운 접근 방식이 단순히 작은 조정을 하는 것이 아니라, 불확실성을 처리하는 방식 자체를 근본적으로 변화시켜 노이즈가 많은 환경에서도 높은 정밀도를 유지할 수 있게 함을 나타냅니다.

연구진은 결과가 단순히 운이 좋았던 것이 아님을 확인하기 위해, 시스템이 여러 번의 실행 동안 어떻게 작동하는지 조사했습니다. 그들은 시뮬레이션을 50회 실행하였으며, 매번 약간씩 다른 무작위 노이즈 패턴을 적용하여 개선 효과가 일관되게 유지되는지 확인했습니다. 결과는 견고했습니다. 모든 실행에서 새 방식은 표준 방식을 능가하였으며, 제어 입력은 더 매끄러워졌고 추적 경로는 목표에 훨씬 더 가깝게 유지되었습니다. 표준 방식은 노이즈와 싸우느라 종종 거친 움직임을 만들어냈지만, 새 방식은 유동적이고 점진적인 조정을 만들어냈습니다. 이는 학습 알고리즘과 노이즈 필터의 결합이 더 정확할 뿐만 아니라 더 안정적이고 신뢰할 수 있는 시스템을 만든다는 것을 시사합니다. 기계는 주변의 소음 속에서도 완벽한 멜로디를 연주하는 숙련된 음악가처럼, 주의 산만한 요소들을 무시하고 과업에 집중하는 법을 배웁니다.

이 연구는 산업 자동화를 위한 실질적인 경로를 제시합니다. 기존 학습 시스템에 지능적인 예측 레이어를 추가함으로써, 엔지니어들은 더 무질서한 실제 공장 환경에 대한 회복력이 있는 기계를 구축할 수 있습니다. 이 방법은 값비싼 새로운 하드웨어를 요구하지 않으며, 기계가 이미 수집하고 있는 데이터를 더 잘 활용하게 만드는 소프트웨어 기반의 업그레이드입니다. 연구진은 이 접근 방식이 많은 제조 공정에서 흔히 볼 수 있는 선형 시스템(linear systems)에 잘 작동함을 입증하였으며, 이러한 조건 하에서 시스템이 안정적으로 유지되고 해로 수렴한다는 수학적 증명을 제공했습니다. 비록 연구가 물리적 로봇이 아닌 시뮬레이션을 통해 수행되었지만, 엄격한 테스트와 명확한 수학적 토대는 그 이점이 실제 응용 분야로 전달될 것임을 시사합니다. 오차를 절반으로 줄이고 무작위 간섭에 대해 성능을 안정화하는 능력은 정밀도가 매우 중요한 전자 제품 조립부터 중량 부품 가공에 이르기까지 다양한 산업에 매력적인 솔루션을 제공합니다. 연구는 기계가 학습해야 할 것과 단순히 무시해야 할 것을 구분하게 함으로써, 이전에는 도달하기 어려웠던 수준의 제어를 달성할 수 있다는 결론을 내립니다.