공중 매니퓰레이터의 역동적 학습을 위한 레짐 조건부 확산 모델

초록

본 연구는 매니퓰레이터가 장착된 드론(공중 매니퓰레이터)의 복잡하고 빠르게 변화하는 동역학을 정확히 모델링하는 새로운 방법을 제안합니다. 기존 분석적 모델이나 일반적인 데이터 기반 방법으로는 설명하기 어려운 다양한 잔여 힘의 분포를, ‘레짐’ 조건부 확산 모델과 경량화된 시간적 인코더를 결합해 학습합니다. 이 접근법은 페이로드 변화나 급격한 동작 전환 중에도 일관된 예측을 가능하게 하며, 적응형 제어기와 결합되어 실제 비행에서 뛰어난 추적 정확도를 달성합니다.

상세 분석

이 논문의 핵심 기술적 기여는 공중 매니퓰레이터의 비선형적·비정상적 잔여 동역학을 ‘레짐(운영 조건)‘에 조건부인 확산 생성 모델로 표현한 점에 있습니다. 표준 확산 모델이 단일 시점 측정값만을 조건으로 삼는 데 반해, 본 연구에서는 최근 운동 궤적의 짧은 역사(history)를 입력받는 시간적 합성곱 인코더(TCN)를 도입했습니다. 이 인코더는 매니퓰레이터 자세, 페이로드 유무, 속도 패턴 등 현재의 ‘운영 레짐’을 압축적으로 표현하는 디스크립터(r_t)를 추출합니다.

이 레짐 디스크립터는 확산 모델의 조건부 신호로 작용하여, 동일한 순간 상태-입력 쌍이라도 레짐에 따라 다른 잔여 힘 분포를 생성하도록 유도합니다. 그림 2의 t-SNE 시각화는 페이로드, 자세 등에 따라 잔여 힘 데이터가 명확히 구분되는 클러스터를 형성함을 보여주며, 이는 단일 결정론적 맵핑으로는 표현 불가능한 다중 레짐 의존적 동역학을 입증합니다. 그림 3은 레짐 조건화가 없을 경우 예측이 여러 클러스터를 뒤섞는 큰 오차를 발생시킴을 대조적으로 보여줍니다.

학습된 모델은 적응형 제어 법칙(식 10)에 통합됩니다. 제어기는 확산 모델이 제공하는 잔여 힘 추정값(Ĥ)을 보상하며, 동시에 추정 오차의 상한을 실시간으로 추정하는 적응 항(σ^)을 통해 모델 불확실성과 외란을 추가로 상쇄합니다. 정리 2.2는 이 폐루프 시스템이 균일 궁극 유계(UUB) 안정성을 보장함을 증명합니다. 결국, 이 하이브리드 접근법은 생성 모델의 강력한 분포 학습 능력과 적응 제어의 강인성을 결합하여, 기존 방법이 취약했던 급격한 전환기와 보지 않은 조건에서도 견고한 성능을 실현합니다.