초소형 학습 기반 멀티로터 MPC: 효율적인 임베디드 예측 제어를 위한 솔버 인식 학습

핵심 개념

이 논문에서는 제한된 리소스를 가진 초소형 멀티로터 플랫폼에서 고속(100Hz)으로 학습 기반 모델 예측 제어(MPC)를 구현하는 새로운 프레임워크인 Tiny Learning-Based MPC를 제시합니다.

초록

초소형 학습 기반 멀티로터 MPC: 효율적인 임베디드 예측 제어를 위한 솔버 인식 학습

본 연구는 제한된 컴퓨팅 성능과 복잡한 역학을 가진 초소형 항공 로봇의 제어 문제를 해결하고자 한다. 특히, 가우시안 프로세스(GP) MPC와 같은 기존 학습 기반 MPC 방법의 높은 계산 요구량을 해결하여 초소형 로봇에 온보드로 적용 가능한 효율적인 제어 프레임워크를 제시하는 것을 목표로 한다.

본 연구에서는 멀티로터 역학의 구조적 특징인 차동 평탄화(differential flatness)와 효율적인 솔버를 활용하여 Tiny Learning-Based (LB) MPC라는 새로운 프레임워크를 개발하였다.

LinGP를 이용한 외란 학습: 멀티로터의 외란을 학습하기 위해 가우시안 프로세스(GP)를 사용하고, 이를 기준 궤적에 대해 선형화하여 LinGP 모델을 개발한다.
SOC 형태의 추력 제약 조건: LinGP 모델의 특성을 이용하여 확률적 추력 제약 조건을 2차錐(SOC) 형태의 결정적 제약 조건으로 변환한다.
Tiny LB MPC 솔버: SOCP 문제를 해결하기 위해 ADMM(Alternating Direction Method of Multipliers) 기반의 솔버를 설계한다. 이 솔버는 LinGP 기반의 사전 계산 단계를 통해 계산 효율성을 높인다.

핵심 통찰 요약

Tiny Learning-Based MPC for Multirotors: Solver-Aware Learning for Efficient Embedded Predictive Control

by Babak Akbari... 게시일 arxiv.org 11-01-2024

https://arxiv.org/pdf/2410.23634.pdf

더 깊은 질문

Tiny LB MPC 프레임워크를 다른 유형의 로봇이나 시스템에 적용할 수 있을까요?

네, Tiny LB MPC 프레임워크는 멀티로터 외 다른 유형의 로봇이나 시스템에도 적용 가능성이 높습니다. Tiny LB MPC의 핵심은 크게 두 가지로 나눌 수 있습니다. 첫째, **미분 평탄성(Differential Flatness)**을 활용하여 복잡한 비선형 시스템을 다루기 쉬운 선형 시스템으로 변환하는 것입니다. 둘째, **선형화된 가우시안 프로세스(LinGP)**와 ADMM 솔버를 이용하여 제한된 자원 환경에서도 효율적인 연산이 가능하도록 하는 것입니다.
다음은 Tiny LB MPC 적용 가능성을 보여주는 예시입니다.

미분 평탄성이 적용 가능한 시스템: Tiny LB MPC는 쿼드콥터와 유사하게 미분 평탄성을 갖는 시스템, 예를 들어, 고정익 항공기, 수중 로봇, 자율 주행 차량 등에 적용될 수 있습니다. 이러한 시스템들은 복잡한 비선형 동역학을 가지고 있지만, 미분 평탄성을 통해 Tiny LB MPC 프레임워크를 적용하여 효율적인 제어 시스템 구축이 가능합니다.
비선형 시스템: 만일 대상 시스템이 미분 평탄성을 갖추지 못했더라도, 시스템의 특성을 잘 나타내는 Flat Output을 새롭게 정의하거나, Feedback Linearization과 같은 기법들을 활용하여 Tiny LB MPC를 적용할 수 있습니다.
효율적인 연산 및 제어가 필요한 시스템: Tiny LB MPC는 LinGP와 ADMM 솔버를 통해 제한된 자원을 가진 시스템에서도 실시간으로 동작 가능하도록 설계되었습니다. 따라서, 컴퓨팅 파워가 제한적인 소형 로봇이나 임베디드 시스템에서 복잡한 제어 작업을 수행하는 데 유용하게 활용될 수 있습니다.
물론, Tiny LB MPC를 새로운 시스템에 적용하기 위해서는 해당 시스템의 특성을 고려한 수정 및 최적화가 필요합니다. 예를 들어, 시스템 모델, 제약 조건, 학습 데이터 등을 해당 시스템에 맞게 조정해야 합니다.

Tiny LB MPC의 학습 과정에서 발생할 수 있는 안전 문제는 무엇이며, 이를 어떻게 해결할 수 있을까요?

Tiny LB MPC는 강력한 제어 성능을 제공하지만, 학습 과정에서 안전 문제를 야기할 수 있습니다.

학습 데이터 부족: Tiny LB MPC는 LinGP를 사용하여 시스템의 불확실성을 모델링하고 예측합니다. 학습 데이터가 부족하거나 특정 상황에 대한 데이터가 부족한 경우, LinGP 모델의 예측 정확도가 떨어지고 예상치 못한 동작을 할 수 있습니다. 이는 시스템의 불안정성을 초래하여 안전 문제로 이어질 수 있습니다.
모델 불확실성: Tiny LB MPC는 LinGP를 통해 시스템의 불확실성을 모델링하지만, 모델 자체가 완벽할 수는 없습니다. 모델의 불확실성으로 인해 실제 시스템과 예측 모델 사이에 오차가 발생할 수 있으며, 이는 시스템 제어 성능 저하 및 안전 문제를 야기할 수 있습니다.
외부 환경 변화: Tiny LB MPC는 학습된 환경에서 최적의 성능을 발휘하도록 설계되었습니다. 예상치 못한 외부 환경 변화, 예를 들어, 바람, 온도 변화, 센서 오류 등은 시스템 성능에 영향을 미쳐 안전 문제를 일으킬 수 있습니다.
다음은 위에서 언급된 안전 문제들을 해결하기 위한 방법입니다.

다양한 환경 및 조건에서의 충분한 학습 데이터 확보: 시뮬레이션이나 실험을 통해 다양한 상황을 반영한 데이터를 수집하고, 이를 기반으로 Tiny LB MPC를 학습시켜야 합니다. 또한, Domain Randomization 기법을 활용하여 다양한 환경 조건을 시뮬레이션하여 학습 데이터의 다양성을 높일 수 있습니다.
안전 여유(Safety Margin) 설정: 모델의 불확실성과 외부 환경 변화를 고려하여 제어 입력 또는 상태 변수에 안전 여유를 설정해야 합니다. 예를 들어, 최대 추력 제한을 완화하거나, 장애물과의 최소 안전 거리를 설정할 수 있습니다.
실시간 적응형 학습(Real-Time Adaptive Learning) 적용: 시스템이 동작하면서 새로운 데이터를 수집하고, 이를 이용하여 LinGP 모델을 실시간으로 업데이트하는 방법을 고려할 수 있습니다. 이를 통해 변화하는 환경에 적응하면서 안전성을 유지할 수 있습니다.
안전 필터(Safety Filter) 설계: Tiny LB MPC의 출력을 감시하고, 안전하지 않은 동작이 감지되면 시스템을 안전 모드로 전환하거나 안전한 제어 입력을 제공하는 안전 필터를 설계할 수 있습니다.

초소형 로봇 기술의 발전이 우리 사회에 미칠 영향은 무엇일까요?

초소형 로봇 기술은 다양한 분야에서 혁신적인 변화를 가져올 수 있는 잠재력을 가지고 있습니다.

의료 분야: 초소형 로봇은 기존의 의료 기술로는 접근하기 어려웠던 인체 내부를 자유롭게 이동하며 정밀한 진단 및 치료를 가능하게 합니다. 예를 들어, 혈관 내부를 이동하며 혈전을 제거하거나, 특정 부위에 약물을 전달하는 등의 작업을 수행할 수 있습니다.
재난 구조 및 탐사: 초소형 로봇은 재난 현장과 같이 사람이 접근하기 위험한 환경에서 생존자 수색 및 구조 활동을 수행하는 데 유용하게 활용될 수 있습니다. 또한, 붕괴된 건물 내부를 탐사하거나, 오염 지역을 모니터링하는 등의 작업에도 활용될 수 있습니다.
환경 감시 및 보호: 초소형 로봇은 환경 감시 및 보호에도 중요한 역할을 할 수 있습니다. 예를 들어, 대기 오염, 수질 오염, 토양 오염 등을 실시간으로 모니터링하고, 오염원을 추적하는 데 활용될 수 있습니다. 또한, 멸종 위기 동물의 생태를 연구하거나, 농작물의 생육 상태를 모니터링하는 데에도 활용될 수 있습니다.
제조 및 생산: 초소형 로봇은 정밀한 작업이 요구되는 제조 및 생산 분야에서도 활용될 수 있습니다. 예를 들어, 전자 제품 조립, 미세 부품 검사, 3D 프린팅 등의 작업을 수행할 수 있습니다.
하지만, 초소형 로봇 기술 발전은 다음과 같은 사회적 문제를 야기할 수 있습니다.

사생활 침해: 초소형 로봇은 크기가 작아 눈에 잘 띄지 않기 때문에 사생활 침해에 악용될 가능성이 있습니다.
일자리 감소: 초소형 로봇이 사람의 일자리를 대체하면서 실업 문제가 심화될 수 있습니다.
군사적 이용: 초소형 로봇은 군사적 목적으로 이용될 경우 심각한 윤리적 문제를 야기할 수 있습니다.
따라서, 초소형 로봇 기술 발전과 함께 발생할 수 있는 사회적 문제들을 예방하고 해결하기 위한 노력이 필요합니다. 예를 들어, 초소형 로봇의 윤리적인 개발 및 사용에 대한 사회적 합의를 도출하고, 관련 법적 규제를 마련해야 합니다. 또한, 초소형 로봇 기술 발전에 따른 일자리 변화에 대비하여 새로운 직업 교육 및 훈련 프로그램을 개발해야 합니다.