ARCADE: 변동 로봇 동역학을 위한 온라인 변곡점 인식 베이지안 적응 제어

초록

본 논문은 로봇 시스템의 비정상·비정상적 동역학 변화를 실시간으로 추적·보정하기 위해, 오프라인에서 비선형 인코더를 학습하고 온라인에서는 베이지안 선형 디코더를 폐쇄형 업데이트하는 프레임워크 ARCADE를 제안한다. 변곡점(챈지포인트)을 확률적으로 감지해 과거 정보를 템퍼링하고, 다중 가설을 빔 탐색으로 유지함으로써 급격한 전이에도 빠르게 적응한다. 이론적으로는 적응 후 regret이 시간에 로그, 변곡점 수에 선형으로 제한됨을 증명하고, 실험에서는 카트폴 시뮬레이션과 페이로드가 달린 쿼드로터 비행에서 예측 정확도와 제어 성능이 기존 방법보다 현저히 우수함을 보인다.

상세 분석

ARCADE는 로봇 동역학 모델링에서 두 가지 핵심 문제를 동시에 해결한다. 첫 번째는 표현 학습과 온라인 적응의 분리이다. 저자들은 대규모 오프라인 데이터셋을 이용해 비선형 인코더 ϕ를 변분 잠재 동역학(VLD) 방식으로 학습한다. 이 인코더는 상태‑입력 (x_k, u_k)를 저차원 잠재 벡터 z_k 로 매핑하며, 잠재 공간에 대한 KL 정규화와 재구성 손실을 동시에 최소화해 표현의 풍부함과 수치적 안정성을 확보한다. 두 번째는 베이지안 선형 디코더(θ_k)의 폐쇄형 업데이트이다. 인코더를 고정한 뒤, θ_k 를 베이지안 선형 회귀 형태로 모델링함으로써 새로운 관측이 들어올 때마다 사후 평균과 공분산을 즉시 갱신한다. 이는 온라인 연산량을 O(ℓ^2) 로 제한하고, 예측 불확실성을 정량화할 수 있게 한다.

변곡점 인식 메커니즘은 잠재 변수 γ_k ∈ {1, β^2} 로 구현된다. 매 타임스텝마다 현재 데이터에 대한 로그우도 L_{k,h} 를 계산해 변곡점 가설 h 를 평가하고, L_{k,h} 가 사전 정의된 임계값을 초과하면 γ_k 를 β^2 로 낮춰 사전 정밀도를 감소시킨다(템퍼링). 이렇게 하면 과거 데이터가 급격한 전이 후에도 과도하게 영향을 미치는 것을 방지하고, 새로운 데이터에 빠르게 적응한다. 동시에 여러 변곡점 히스토리를 빔 탐색으로 유지해, 각 가설에 대한 사후 p(θ|h) 를 병합함으로써 에피스틱·알레아틱 불확실성을 모두 포착한다.

이론적 기여는 세 가지로 요약된다. (i) 후방 일관성: 정적 구간에서는 BLR의 사후가 진짜 디코더 θ* 로 수렴함을 보이는 Lemma를 제시한다. (ii) 예측 분산 유계: 변곡점 발생 시 템퍼링으로 공분산이 폭발하지 않으며, 전체 예측 분산 σ²_tot 은 제한된 상한을 유지한다. (iii) 적응 Regret Bound: 전체 손실이 최적의 조각별 정적 모델 대비 로그 시간·변곡점 수에 선형으로 제한된다는 적응 regret 분석을 제공한다. 이는 변곡점 타이밍을 미리 알지 못하는 온라인 설정에서도 거의 최적에 가까운 성능을 보장한다는 의미다.

실험에서는 (1) CartPole 시뮬레이션에서 질량·마찰 변화를 단계적으로 적용하고, (2) 실제 쿼드로터에 스윙 페이로드와 비행 중 급격한 페이로드 드롭을 부여한 두 가지 시나리오를 수행한다. 비교 대상으로는 기존 온라인 GD 기반 파인튜닝, 메타러닝 기반 모델 앙상블, 그리고 GP 기반 적응 모델을 사용했다. 결과는 ARCADE가 평균 제곱 오차(MSE)를 30% 이상 감소시키고, 변곡점 직후 회복 시간(스루풋)을 절반 이하로 단축했으며, MPC 기반 제어 루프에서 트래킹 오차와 제어 입력 변동성을 현저히 낮추는 것을 보여준다. 특히 변곡점 감지 정확도가 95% 이상이며, 오탐률은 3% 미만으로 실시간 안전성 요구를 만족한다.

요약하면, ARCADE는 표현 학습과 베이지안 적응을 결합한 구조, 변곡점 인식으로 빠른 재학습을 가능하게 하는 확률적 메커니즘, 그리고 강력한 이론적 보증을 동시에 제공한다. 이는 고속·고정밀 로봇 제어, 특히 외부 교란이나 페이로드 변동이 빈번한 드론·매니퓰레이터 등에 바로 적용 가능한 실용적 프레임워크라 할 수 있다.