실시간 최적제어를 위한 학습 기반 모델 통합 프레임워크 L4acados

초록

L4acados는 파이썬 기반 학습 모델(신경망·가우시안 프로세스)의 외부 민감도 정보를 acados의 SQP 솔버에 직접 연결하여, 실시간 MPC에서 모델 예측 정확도와 계산 효율을 동시에 향상시킨다. 병렬 민감도 계산과 제로‑오더 강인 최적화(zoRO) 기법을 활용해 미니어처 레이싱 차량과 대형 자율주행 차량의 실험에서 높은 속도와 안정성을 입증하였다.

상세 분석

본 논문은 비선형 모델 예측 제어(MPC)에서 학습 기반 잔차 모델을 실시간으로 활용하기 위한 근본적인 인터페이스 문제를 해결한다. 기존의 acados‑CasADi 연동 방식은 자동 미분을 통한 민감도 계산에 의존하지만, 파이썬 기반의 신경망이나 가우시안 프로세스(GP) 모델은 PyTorch·GPyTorch와 같은 별도 프레임워크에서 미분이 수행되므로 직접적인 연결이 어려웠다. L4acados는 이러한 외부 민감도를 “External Sensitivity” 형태로 SQP 반복 단계마다 파라미터화된 선형 동역학(8)으로 대체함으로써, 원래 비선형 프로그램과 동일한 수렴 궤적을 보장한다. 핵심 아이디어는 (i) 매 SQP 이터레이션에서 현재 선형화 지점 ((\hat x_k,\hat u_k))에 대해 학습 모델 (g)와 그 Jacobian (\partial g/\partial x,\partial g/\partial u)를 파이썬 콜백으로 호출하고, (ii) 이를 acados 내부에 제공되는 모델 파라미터 (\hat A_k,\hat B_k,\hat c_k)에 즉시 반영하는 것이다. 이렇게 하면 CasADi가 제공하는 기호적 민감도와 학습 모델이 제공하는 수치적 민감도를 혼합할 수 있다.

또한 L4acados는 배치 연산을 지원한다. 선형화 포인트가 (N) 단계에 걸쳐 존재하므로, 학습 모델에 대한 입력 배치를 한 번에 전달해 GPU 가속을 활용하거나 멀티코어 CPU에서 병렬 평가를 수행한다. 실험 결과, 배치 크기가 증가할수록 전체 SQP 준비 단계 시간이 선형적으로 감소했으며, 특히 긴 예측 호라이즌((N\ge 30))에서 기존 도구 대비 3~5배의 속도 향상을 보였다.

GP‑MPC 구현에서는 제로‑오더 로버스트 최적화(zoRO) 알고리즘을 확장한 zoGPMPC를 적용하였다. zoRO는 상태 공분산을 직접 최적화 변수에 포함시키지 않고, 현재 추정 공분산을 이용해 제약을 보강함으로써 계산 복잡도를 크게 낮춘다. L4acados는 GP의 평균과 공분산 전파를 GPyTorch에서 직접 호출하고, 이를 acados의 제약 함수에 삽입한다. 결과적으로 실시간(≤ 10 ms) 수준에서 불확실성을 고려한 안전 제어가 가능해졌다.

두 가지 하드웨어 실증—미니어처 레이싱 차량의 고속 트랙 주행과 대형 차량의 ISO 레인 체인지—에서 L4acados 기반 GP‑MPC는 기존 구현 대비 30 % 이상의 트래킹 정확도 향상과 20 % 이하의 제어 지연을 달성하였다. 이는 학습 모델의 고품질 예측과 효율적인 민감도 전달이 실시간 제어에 직접적인 성능 이득을 제공함을 증명한다.

요약하면, L4acados는 (1) 파이썬 기반 학습 모델을 외부 민감도로 SQP에 삽입하는 일반화된 방법, (2) 배치·병렬 연산을 통한 계산 가속, (3) GP‑MPC에 특화된 zoRO 연계 구현을 제공함으로써, 최신 머신러닝 모델을 실시간 최적제어에 손쉽게 통합할 수 있는 실용적인 프레임워크를 제시한다.