평면 쿼드로터를 위한 평탄성 보존 잔차 학습

초록

본 논문은 순수 피드백 형태를 갖는 차분 평탄 시스템에 대해, 하삼각 구조의 잔차 동역학을 도입함으로써 원래의 평탄성을 유지하면서 데이터 기반으로 미지의 동역학을 학습하는 프레임워크를 제시한다. 이론적 증명과 2D 쿼드로터 시뮬레이션을 통해 평탄 출력은 그대로 유지되면서 추정 오차가 5배 감소하고, 구조에 구애받지 않는 기존 방법보다 20배 빠른 계산 효율을 달성함을 보였다.

상세 분석

이 연구는 차분 평탄 시스템의 핵심 장점인 선형화된 플래너와 피드백 설계의 효율성을 유지하면서, 실제 시스템에서 발생하는 미지의 비선형 항을 데이터 기반으로 보정하는 방법을 제시한다. 저자들은 먼저 순수 피드백 형태(다중 입력·다중 출력 시스템이 계층적으로 연결된 구조)로 표현 가능한 명목 모델을 가정한다. 이러한 구조는 기존 평탄성 이론에서 임시함수 정리와 비특이성 조건을 만족하면 자동으로 평탄 출력 y = x₁을 갖는다는 점을 이용한다.

핵심 기여는 두 가지이다. 첫째, 잔차 동역학을 하삼각 형태(Δ₁(x₁), Δ₂(x₁,x₂), …, Δᵣ(x₁,…,xᵣ))로 제한하면, 원래의 순수 피드백 구조와 정규성 조건을 그대로 보존한다는 정리(정리 2)를 증명한다. 하삼각 구조는 각 서브스테이트에 대한 잔차가 그 이하 단계의 상태만을 의존하도록 강제함으로써, Jacobian 행렬의 비특이성을 깨뜨리지 않는다. 따라서 증명에 따르면, 잔차가 추가된 시스템도 동일한 평탄 출력 y = x₁을 유지하며, 평탄성 자체가 손실되지 않는다.

둘째, 이러한 구조적 제약을 이용해 증강 시스템의 평탄 변환(Φ,Ψ)을 명목 모델의 변환 hₖ와 잔차 Δₖ를 조합하는 재귀식(식 10)으로 명시적으로 구성한다(정리 3). 이는 기존 평탄성 이론에서 변환 함수를 존재만 보장하고 구체적 형태를 제시하지 못하던 한계를 극복한다. 즉, 학습된 잔차가 주어지면, 기존에 알려진 hₖ를 그대로 사용하면서 Δₖ를 보정항으로 삽입해 새로운 Φₖ를 계산하면 된다.

학습 측면에서는 하삼각 구조를 만족하도록 신경망이나 스플라인 등 부드러운 함수 근사기를 설계하고, 일반적인 최소제곱 혹은 확률적 경사 하강법으로 데이터를 통해 파라미터를 추정한다. 구조적 제약이 명시적이므로, 학습 과정에서 별도의 제약 최적화가 필요 없으며, 기존 잔차 학습 파이프라인을 그대로 적용할 수 있다.

실험에서는 2D 평면 내에서 움직이는 쿼드로터를 대상으로, 명목 모델은 강체 역학만을 포함하고 잔차는 로터 드래그 및 다운워시와 같은 공기역학적 비선형을 포괄한다. 하삼각 잔차를 학습한 후, 평탄 기반 트래젝터리 플래너와 피드백을 적용했을 때, 원래 명목 모델 대비 추적 오차가 5배 감소하였다. 또한, 동일한 잔차를 NMPC에 통합한 구조-무관 방법과 비교했을 때 계산 시간은 20배 이상 절감되었다. 이는 평탄성 기반 제어가 유지되는 한, 복잡한 비선형 보정도 효율적으로 활용할 수 있음을 실증한다.

이 논문은 평탄성 보존을 위한 구조적 잔차 설계라는 새로운 패러다임을 제시함으로써, 차분 평탄 시스템에 대한 데이터 기반 보정이 기존의 설계 복잡도와 계산 부하를 크게 증가시키지 않으면서도 실질적인 성능 향상을 제공한다는 점에서 학계와 산업 현장 모두에 큰 의미를 가진다.