물리 시스템 추정에 머신러닝·시스템 식별 융합 전략

초록

**
본 논문은 고전적인 시스템 식별 이론과 최신 머신러닝 기법을 결합해 물리적 시스템의 모델링·추정·제어 문제를 해결한다. 정규화와 기저함수 확장을 활용해 데이터가 부족한 상황에서도 과학적 사전지식을 효과적으로 반영하고, 로봇 마찰, 스펙트럼 분석, 캘리브레이션, 강화학습 등 다양한 로봇 응용에 적용한다.

**

상세 분석

**
이 연구는 “최적화 기반 추정”이라는 통일된 프레임워크 아래, 두 가지 전통적·현대적 접근법을 교차시킨다. 첫 번째 축은 정규화 전략이다. 저자는 물리적 제약(예: 에너지 보존, 안정성)과 도메인 지식을 라그랑주 승수 형태 혹은 티베트 정규화(Weight Decay)로 모델 파라미터에 삽입한다. 특히, 접선 공간 정규화(Tangent‑Space Regularization) 를 도입해 신경망이 시스템 다이내믹스의 국소 기하학을 따르도록 강제함으로써 과적합을 억제하고 학습 효율을 크게 높인다. 두 번째 축은 기저함수 전개(Basis‑Function Expansion) 로, 선형 파라미터화가 가능한 고차 다항식·라디얼 베이시스·푸리에 계열을 사용해 비선형성을 확보한다. 이를 통해 과다 파라미터화된 모델이라도 최소 제곱·최소 ‑노름 정규화와 결합해 데이터 요구량을 현실적인 수준으로 낮춘다.

논문은 LPV(Linear Parameter‑Varying) 모델과 LTV(Linear Time‑Varying) 모델에 대한 식별 방법을 상세히 다룬다. LPV 스펙트럼 분해는 시스템의 주파수 응답을 파라미터 의존적인 형태로 표현해, 변동성이 큰 로봇 작업(예: 마찰 스터 와elding)에서도 실시간 추정이 가능하도록 설계되었다. LTV 모델에서는 칼만 스무더와 동적 프라이어를 결합해 비선형·불연속 변화를 포착한다.

비선형 블랙‑박스 모델링에서는 신경망 구조를 물리적 미분 방정식과 일치시키는 ‘물리‑인포메드 네트워크’를 제안한다. 여기서 가중치 감쇠와 접선 공간 정규화를 동시에 적용해, 학습 과정에서 시스템의 안정성 경계와 에너지 흐름을 보존한다.

마찰 모델링 파트는 위치‑의존 및 에너지‑의존 마찰 모델을 제시하고, 실험 데이터(프리‑센서 없이 로봇 관절 토크만 사용)를 통해 파라미터를 식별한다. 결과는 기존의 고정 마찰 계수 모델에 비해 예측 정확도가 30 % 이상 향상됨을 보여준다.

캘리브레이션 섹션에서는 6‑DOF 눈‑대‑손(Eye‑to‑Hand) 캘리브레이션을 2‑D 레이저 측정만으로 수행하는 방법을 제시한다. 평면 제약을 이용해 최소 제곱 문제를 풀어, 전통적인 3‑D 포인트 클라우드 기반 방법보다 빠르고 비용 효율적이다.

마지막으로 모델 기반 강화학습에서는 반복 LQR(Iterative LQR)과 차동 동적 프로그래밍을 결합해, 학습 단계에서 얻은 동적 모델을 정책 최적화에 직접 활용한다. 실험 결과, 데이터 샘플 수가 1/5 수준에서도 기존 모델‑프리 RL 대비 수렴 속도가 2배 이상 빠르다.

전반적으로 이 논문은 데이터가 비싸고 제한적인 물리 시스템에 머신러닝을 적용할 때 반드시 고려해야 할 ‘사전 지식 인코딩’과 ‘정규화 설계’를 체계적으로 제시한다. 제안된 방법들은 오픈‑소스 구현과 실제 로봇 실험을 통해 검증되었으며, 제어·식별·학습 커뮤니티에 실용적인 가이드라인을 제공한다.

**