동적 환경을 위한 적응형 비일관성 점수 기반 불확실성 추정

초록

본 논문은 로봇 및 자율 시스템에서 발생하는 분포 변화를 고려해, 비일관성 점수와 컨포멀 임계값을 동시에 온라인으로 적응시키는 AdaptNC 프레임워크를 제안한다. 가중치 재조정과 재생 버퍼를 활용해 커버리지 불안정을 완화하고, 예측 영역의 부피를 크게 감소시키면서 목표 커버리지를 유지한다. 실험 결과는 기존의 임계값만 조정하는 방법보다 예측 영역이 더 타이트함을 입증한다.

상세 분석

AdaptNC는 기존 온라인 컨포멀 예측이 비일관성 점수 함수를 고정된 채 임계값만 조정하는 한계를 극복한다는 점에서 혁신적이다. 먼저, 논문은 비일관성 점수 s(x, y; θ) 가 예측 영역의 기하학적 형태와 부피를 결정한다는 점을 강조한다. 정적 점수는 환경이 급격히 변할 때 과도하게 보수적인 영역을 만들며, 이는 제어와 의사결정에 불필요한 제약을 가한다. AdaptNC는 두 가지 핵심 메커니즘을 도입한다. 첫째, 적응형 재가중치 스킴은 DtA CI에서 차용한 전문가 가중치를 활용해 최근 데이터의 중요도를 동적으로 평가한다. 전문가 가중치는 각 후보 적응률 γ_i 에 대한 지수 가중치 업데이트로 계산되며, 이는 분포 변동 속도를 추정하는 데 사용된다. 둘째, 재생 버퍼는 점수 함수가 업데이트될 때 발생하는 ‘커버리지 쇼크’를 완화한다. 버퍼에 저장된 최근 관측을 재사용해 새로운 비일관성 점수에 맞는 임계값 q̂ 을 재계산함으로써, 갑작스러운 커버리지 손실을 방지한다.

점수 파라미터 최적화는 가중치 ω_t 에 기반한 재가중치 데이터 분포 H_ω 을 정의하고, 이 분포 하에서 부피 최소화 문제를 풀어 θ_t 를 업데이트한다. 구체적으로, KDE를 이용해 고밀도 영역을 추정하고, 그 영역을 포괄하는 볼록 형태(예: 타원)를 템플릿으로 삼아 비일관성 점수를 설계한다. 이 과정은 Monte‑Carlo 샘플링과 gradient‑based 최적화를 결합해 실시간으로 수행된다.

이론적으로는 Theorem C.1을 통해 추정된 임계값 α̂_t 와 실제 최적값 α*_t 의 차이가 지수적으로 감소함을 보이며, 장기적으로는 평균 미커버리지율이 목표 α 에 수렴함을 증명한다. 실험에서는 다중 에이전트 정책 전환, 환경 변화, 센서 열화 등 세 가지 로봇 벤치마크에서 AdaptNC가 기존 방법 대비 평균 예측 부피를 20‑35 % 감소시키면서 커버리지는 95 % 수준을 유지함을 보여준다. 특히, 센서 열화 상황에서 점수 함수가 빠르게 재조정되어 급격한 불확실성 증가에도 안정적인 예측을 제공한다는 점이 주목할 만하다.

전체적으로 AdaptNC는 비일관성 점수와 임계값을 공동으로 적응시키는 최초의 프레임워크이며, 재가중치와 재생 메커니즘을 통해 커버리지 안정성을 보장한다는 점에서 동적 로봇 시스템에 실용적인 불확실성 정량화 도구로 평가될 수 있다.