SO3 자세 제어를 위한 슬라이스 학습 기반 실시간 교란 식별 프레임워크

초록

본 논문은 Lie‑대수 오류를 입력으로 사용해 SO(3) 구조를 보존하면서 축별로 학습을 분할하는 “슬라이스 학습”을 제안한다. 얕은 신경망과 Lyapunov 기반 적응법을 결합한 SANM 모듈을 통해 시간변화 교란과 관성 불확실성을 실시간(400 Hz)으로 식별·보상한다. 이론적 증명으로 거의 전역적인 지수 수렴과 ISpS를 확보했으며, MCU 기반 실험을 통해 경량 구현 가능성을 입증하였다.

상세 분석

이 논문은 기존의 “state‑from‑learning” 방식이 SO(3) 기하구조를 깨뜨리고 고차원 신경망에 의존하는 문제점을 지적한다. 저자는 Lie‑algebraic 오류 (e_R, e_\Omega)를 직접 피처로 사용함으로써 오류 공간을 (\mathfrak{so}(3)\simeq\mathbb{R}^3)에 매핑하고, 이를 축별 1차원 서브스페이스로 “슬라이스”한다. 각 슬라이스는 독립적인 얕은 신경망(SNN)과 적응 법칙으로 구성되며, Lyapunov 함수 기반으로 온라인 가중치 업데이트가 수행된다.

핵심 수학적 가정은 (1) 전체 매핑 (S)의 의사역함수 (S^\dagger)가 존재하고, (2) 이 의사역함수가 축별로 분해 가능하다는 “Sliceable” 가설이다. 이를 통해 고차원 교란 (\phi_R)를 3개의 저차원 서브매핑 (S_j^\dagger)로 나누어, 각 축에 대한 가중치와 적응 파라미터를 별도로 조정할 수 있다.

이론적 분석에서는 Lyapunov‑based 적응법을 이용해 다음을 증명한다.

• 거의 전역적인 지수 수렴: 모든 초기 조건에서 오류가 유계 잔차 집합으로 수렴하고, 교란·관성 불확실성이 유계이면 임의의 작은 구역으로 지수적으로 수렴한다.
• 입력‑대‑상태 실용적 안정성(ISpS): 샘플링된 이산 시간 구현에서도 동일한 안정성을 유지한다.
• 축별 수렴 속도 조정 가능: 학습률·적응 파라미터를 축마다 다르게 설정해 특정 축에 더 빠른 수렴을 유도할 수 있다.

실험 부분에서는 STM32F4 기반 MCU에서 400 Hz 실시간 실행을 달성했으며, MATLAB/Simulink, Gazebo Harmonic, 실제 비행 테스트를 통해 제어 성능과 교란 식별 정확도를 검증했다. 비교 실험에서는 기존 MLP 기반 적응 제어와 대비해 계산량이 10배 이상 감소하면서도 동일하거나 더 우수한 추적 오차를 보였다.

이 논문의 의의는 (1) 기하학적 오류를 그대로 활용해 구조적 일관성을 유지함으로써 학습 효율을 극대화한 점, (2) 축별 독립 학습을 통해 경량화와 모듈성, 그리고 파라미터 튜닝의 유연성을 제공한 점, (3) 이론적 수렴 보장을 실시간 MCU 구현까지 연결한 점이다. 다만, “Sliceable” 가설이 실제 시스템에서 언제까지 성립하는지, 고속 비선형 교란(예: 급격한 풍동)에서의 한계는 추가 연구가 필요하다.