신뢰할 수 있는 예측: 리 군 대칭성을 활용한 로봇 동작 불확실성 정량화

초록

본 연구는 CLAPS(Conformal Lie-group Action Prediction Sets) 알고리즘을 제안합니다. 이는 로봇의 비유클리드 구성 공간(예: SE(2)) 구조를 고려한 대칭성 인식(symmetry-aware) 불확실성 정량화 방법으로, 사용자가 설정한 확률로 다음 시스템 구성(configuration)을 반드시 포함하는 예측 집합을 구성합니다. 알레토릭(우발적) 및 에피스테믹(인지적) 불확실성 하에서도 강한 가정 없이 분포 독립적인 확률적 보장을 제공하며, 기존 유클리드 기반 방법보다 더 효율적(부피 대비)이고 정확한 예측 영역을 생성합니다.

상세 분석

이 논문의 핵심 기술적 기여는 Conformal Prediction(CP)의 확률적 보장 프레임워크와 비유클리드 시스템 모델링의 표준인 Lie Group 이론을 융합한 점에 있습니다. 기존 CP 기반 로봇 불확실성 정량화 연구는 시스템 상태를 유클리드 벡터로 가정하고, 예측 오류를 벡터 차이로 정의했습니다. 이는 SE(2), SE(3)와 같은 리 군 구조를 갖는 로봇 구성 공간(예: 이동 로봇의 위치 및 자세)의 본질적인 기하학적 대칭성(symmetry)을 무시하게 만듭니다. 결과적으로 생성된 예측 영역은 볼록한 초타원체 형태로 제한되며, 필연적으로 과도하게 보수적이고 부피 효율이 낮아, 안전 제어 및 계획과 같은 다운스트림 작업의 실용성을 떨어뜨립니다.

본 연구는 이 문제를 해결하기 위해 두 가지 주요 통찰을 제공합니다. 첫째, 리 군과 리 대수 간의 매핑(지수/로그 맵)을 활용하여 구성 공간에서의 “오류"를 정의하는 새로운 비준동성 점수(nonconformity score)를 도입합니다. 이 점수는 리 군의 곱셈 구조를 존중하며, 회전 불확실성이 위치 불확실성에 미치는 영향을 올바르게 결합합니다. 둘째, 논문은 비홀로노믹 동역학 시스템(예: 차량형 로봇)을 리 군 형태로 변환하고, 구속 조건 매니폴드를 따라 불확실성을 전파하는 이론적 배경을 명료하게 제시합니다. 이는 강체 동역학의 에너지 기반 모델링(라그랑지안, Euler-Poincaré 방정식)과 결합되어, 단순한 델타 포즈 추정이 아닌 관성을 고려한 동적 시스템 분석을 가능하게 합니다.

실험적 검증은 시뮬레이션(JetBot)과 실제 로봇(MBot) 플랫폼에서 수행되었으며, 제안된 CLAPS 방법이 기존 유클리드 CP 베이스라인 및 상태 공간 확장 칼만 필터 기법보다 더 작은 부피로 동일한 수준의 확률적 보장(1-α)을 달성함을 보여줍니다. 이 ‘부피 효율성’의 향상은 리 군 기하학을 활용한 예측 영역이 시스템의 실제 불확실성 형상을 더 잘 표현하기 때문이며, 이는 안전한 제어 명령의 수를 늘리고 전체 작업 성능을 향상시킬 수 있는 실질적인 잠재력을 의미합니다.