Learning-Driven Autonomy in Open-Architecture Autopilots

기술 요약: 개방형 아키텍처 오토파일럿을 위한 학습 기반 자율 주행

문제 정의
동적이고 불확실하며 안전이 중요한 환경에서 운용되는 무인 항공기(UAV)는 전통적인 피드백 제어를 넘어서는 능력을 필요로 한다. 여기에는 다중 모드 인지, 예측 추론, 리스크 인식 계획, 그리고 형식적 안전 필터링이 포함된다. 그러나 엔드 투 엔드(end-to-end) 신경망 제어는 해석 가능성, 인증 문제, 그리고 분포 외(out-of-distribution) 입력에 대한 민감도 문제로 인해 안전이 중요한 오토파일럿에 부적합한 경우가 많다. 핵심 과제는 결정론적 안전 보장을 제공하는 고전적 제어 계층을 저해하지 않으면서, 학습 기반의 선견지명과 확률적 추론을 개방형 아키텍처 오토파일럿 스택에 통합하는 것이다.

방법론
본 논문은 개방형 아키텍처 오토파일럿(예: PX4, ArduPilot)을 위해 설계된 계층적 학습 기반 자율 주행 아키텍처를 제안한다. 이 시스템은 예측, 최적화, 안전 집행 및 실행을 별도의 모듈로 분리하며, 이를 **이종 삼중 중복 아키텍처(heterogeneous triple-redundant architecture)**를 중심으로 구성한다:

1. 삼중 조건부 자율 표현 (Triad-Conditioned Autonomy Representation):
   학습 모듈의 핵심 입력은 컴팩트한 텐서 $\xi_t = c_t \parallel \psi^{ctrl}_t \parallel \pi_t \in \mathbb{R}^{104}$이다. 이 삼중 결합체는 다음을 결합한다:

   • $c_t \in \mathbb{R}^{64}$: 최근의 이종 센서 이력을 요약하는 학습된 다중 센서 신념 벡터(belief vector).
   • $\psi^{ctrl}_t \in \mathbb{R}^{32}$: 최근 제어 레짐 정보(구동 이력, 전환 동작)의 임베딩.
   • $\pi_t \in \mathbb{R}^{8}$: 후보 미래 계획 의도(candidate future-plan intent)의 압축된 표현.
     이 표현 방식은 예측 모델이 상태 인식적(state-aware), 제어 인식적(control-aware), 그리고 계획 인식적(plan-aware)임을 보장한다.

2. 다중 모드 인지 및 신념 인코딩 (Multimodal Perception and Belief Encoding):
   이종 센서 스트림(항법, IMU, 환경/전력/리스크)은 신경망 모달리티 인코더를 통해 처리된다. 이들은 **랜덤 푸리에 특징 커널 평균 임베딩(RFF-KME)**을 사용하여 센서 윈도우의 컴팩트한 분포 요약본으로 요약된다. 이후 GRU-attention 네트워크가 이러한 요약본들을 신념 벡터 $c_t$로 집계하여, 모델이 미래 예측에 유효한 컨텍스트 윈도우에 가중치를 둘 수 있도록 한다.

3. 확률적 예측 (Deep CVAE):
   **조건부 변이형 오토인코더(CVAE)**는 조건부 분포 $p_\theta(X_{t+1:t+H} | \xi_t)$를 모델링한다. CVAE는 잠재 변수 $z$를 사용하여 관측되지 않은 바람이나 장애물 움직임과 같은 숨겨진 시나리오 요인을 포착한다. 배포 단계에서 잠재 시나리오는 조건부 사전 분포로부터 샘플링되어 미래 궤적의 앙상블을 생성하며, 이를 통해 평균 예측값과 불확실성 추정치를 모두 제공한다.

4. 리스크 인식 제어 및 안전 필터링:

   • MPC 계층: 리스크 인식 모델 예측 제어(MPC) 계층은 CVAE 예측 분포(평균, 분산 및 시나리오 샘플)를 사용하여 명목 제어 제안(nominal control proposal)을 생성한다.
   • 삼중 중복 투표 (Triple-Redundant Voting): 시스템은 세 가지 채널을 사용한다: (A) 기본 실시간 제어기, (B) 독립적인 안전/투표 채널, (C) AI/MPC 컴패니언. 명령은 중앙값 투표(median voting)와 신뢰도 가중 평균을 통해 결합된다. 예측 불확실성이나 리스크가 증가하면 AI 채널의 가중치($w_C$)를 줄인다.
   • CBF 안전 필터: 최종 투표된 명령은 **제어 장벽 함수(CBF)**를 통해 안전 제어 집합으로 투영된다. 이 계층은 명령을 최소한으로 수정함으로써 하드 제약 조건(장애물 거리 확보, 배터리 마진 등)을 강제한다. 결정적으로, 안전 마진은 **불확실성을 인식(uncertainty-aware)**한다; 예를 들어, 유효 장애물 이격 거리는 예측된 LiDAR 거리 불확실성($\sigma_{LiDAR}$) 및 리스크 점수에 따라 확장된다.

주요 기여

1. 아키텍처: 다중 모드 인지, 확률적 예측, MPC, CBF 안전 필터링 및 이종 투표를 통합한 구조화된 자율 주행 스택을 구축하여, 학습 모듈이 결정론적 안전 계층을 대체하는 것이 아니라 보조하도록 보장한다.
2. 삼중 텐서 (Triad Tensor): 인지, 제어 이력, 미래 계획 의도를 동시에 조건화하여 예측을 수행하는 삼중 조건부 자율 텐서를 도입하였다.
3. 모델링: 모달리티 요약을 위한 RFF-KME와 컨텍스트 인코딩을 위한 GRU-attention을 활용하는 딥 CVAE 예측 모델을 제시하였다.
4. 안전 통합: 예측된 리스크나 불확실성이 증가할 때 AI/MPC 채널의 권한을 줄이고 안전 채널으로 권한을 전환하는, 예측 불확실성이 CBF 계층의 안전 마진을 팽창시키는 MPC-CBF-투표 파이프라인을 통합하였다.
5. 형식적 보장: 실행 가능한 CBF 필터링 하에서 안전 집합의 전방 불변성(forward invariance)을 입증하는 정리와 함께, 실행 가능성 가정 및 불확실성 단조 보수성에 대한 실질적인 논의를 제공한다.
6. 재현성: 예측 지표, 불확실성 플롯, 어텐션 시각화 및 3D 궤적 분석을 포함한 완전한 시뮬레이션 워크플로우를 제공한다.

결과
본 아키텍처는 시계열적 train-test 분할을 사용하여 UAV 내비게이션 데이터셋(5,000개 샘샘플)에서 평가되었다.

• 예측 정확도: 딥 CVAE는 5개 타겟(고도, 속도, LiDAR 거리, 배터리 레벨, 리스크)에 대해 평균 RMSE 38.29를 달성하였으며, 이는 결정론적 Ridge 회귀 베이스라인의 38.92와 비교된다. 개선 폭은 완만하지만 일관적이다.
• 불확실성 교정 (Uncertainty Calibration): CVAE는 타겟 전반에 걸쳐 0.724에서 0.844 사이의 경험적 80% 예측 구간 피복률(prediction interval coverage)을 제공하였다. 일반적으로 명목치인 80%보다 약간 낮은 수준(경미한 과소 피복을 의미)이지만, 베이스라인에는 없는 불확실성 구간을 성공적으로 생성하였다.
• 안전 동작: 시뮬레이션 결과, CBF 계층이 예측된 장애물 또는 배터리 마진이 안전하지 않을 때 공격적인 명령을 성공적으로 억제함을 보여주었다. 투표 메커니즘은 예측된 리스크나 불확실성이 증가함에 따라 AI/MPC 채널의 가중치를 동적으로 감소시켜 안전 채널로 권한을 이전하였다.
• 표현력: 진단 결과, 신념 벡터는 매끄러운 상태를 유지한 반면, 제어 레짐 및 계획 임베딩은 구동 강도 및 안전 마진에 따라 변화하였으며, 이는 삼중 텐서가 운용 레짐을 구분하는 능력을 갖추었음을 확인시켜 준다.

의의 및 주장
본 논문은 주요 의의가 학습 모듈에 직접적인 액추에이터 권한을 부여하지 않고도 안전이 중요한 오토파일럿 시스템에서 딥 확률 모델을 사용하는 구조화된 경로를 보여준 데 있다고 주장한다. 학습 모듈의 역할을 (선견지명 및 의사결정 지원) 실행 계층(결정론적 안전 필터링)과 분리함으로써, 본 아키텍처는 클래식 제어의 견고함을 유지하면서도 적응적이고 리스크를 인식하는 계획을 가능하게 한다.

저자들은 CVAE 자체가 안전을 보장하는 것이 아니라, CBF 계층에 정보를 제공하는 확률적 선견지명을 제공한다는 점을 강조한다. CBF 계층은 하드 제약 조건을 강제하여 최종 명령이 허용 가능한 범위 내에 있도록 보장한다. 본 연구는 안전 인증과 결함 허용 능력이 매우 중요한 분야(UAV 및 필드 로보틱스 등)에서 학습 기반 자율 주행을 통합하기 위한 실질적인 프레임워크를 제시한다. 결과에 따르면 딥 러닝이 선형 베이스라인에 비해 점 추정(point-estimation) 정확도 면에서 완만한 개선을 제공하긴 하지만, 진정한 가치는 불확실성 인식 안전 마진과 동적 명령 중재를 가능하게 하는 불확실성 추정치를 제공하는 데 있다.