대규모 다중 로봇 시스템을 위한 연합 가우시안 프로세스 학습

초록

pxpGP는 각 로봇이 로컬 데이터를 기반으로 희소 변분 추론을 통해 압축된 의사( pseudo) 데이터셋을 생성하고, 이를 중앙 혹은 이웃 로봇과 교환하여 전역 하이퍼파라미터를 ADMM 기반 합의 최적화로 추정한다. 경계와 반발 페널티를 도입해 의사점의 분포를 제어하고, 적응형 패널티와 워밍 스타트 초기화로 수렴 속도를 높인다. 실험에서 기존 분산 GP 대비 하이퍼파라미터 추정 정확도와 예측 성능이 크게 향상되었으며, 통신 라운드도 감소하였다.

상세 분석

본 논문은 대규모 다중 로봇 네트워크에서 가우시안 프로세스(GP)의 학습 비용과 프라이버시 문제를 동시에 해결하고자 하는 실용적 목표를 갖는다. 기존의 전역 GP 학습은 O(N³) 복잡도로 로봇 수가 늘어나면 실시간 적용이 불가능하고, 데이터 공유가 필요해 프라이버시와 통신 대역폭에 제약을 받는다. 저자는 이러한 한계를 극복하기 위해 두 단계의 핵심 아이디어를 제시한다. 첫 번째는 각 로봇이 자신의 로컬 데이터 D_i에 대해 희소 변분 추론(sparse variational inference)을 수행해 P개의 인덕팅 포인트와 변분 파라미터(μ_P, A_P)를 최적화하고, 이를 기반으로 압축된 의사 데이터셋 D_i^*를 만든다. 이 과정은 O(NP²)·O(P²) 복잡도로 기존 GP보다 훨씬 가볍다. 두 번째는 생성된 의사 데이터셋을 중앙 서버 혹은 이웃 로봇과 교환해 전역 의사 데이터 집합 D_c^를 구성하고, 이를 각 로봇의 로컬 의사‑증강 데이터 D_i^+ = D_i ∪ D_c^*에 결합한다. 이렇게 하면 원본 관측 데이터를 전혀 공유하지 않으면서도 전역적인 함수 근사를 가능하게 한다.

의사 포인트의 품질을 보장하기 위해 경계 페널티 L_b와 반발 페널티 L_r을 ELBO에 추가한다. L_b는 각 인덕팅 포인트가 로컬 데이터 범위 밖으로 벗어나는 것을 제곱형 ReLU 형태로 억제해 수치적 안정성을 확보한다. L_r은 포인트 간 최소 거리 d_min을 강제해 군집 현상을 방지하고, 커버리지를 고르게 만든다. 이러한 정규화는 특히 비정상적(비정상) 데이터 분포를 가진 다중 로봇 환경에서 중요한 역할을 한다.

합의 최적화 단계에서는 스케일된 근사‑비정밀 합의 ADMM(pxADMM)을 설계한다. 기존 ADMM에 비해 라그랑주 승수 u_i를 ρ_i에 스케일링해 업데이트 식을 단순화하고, Lipschitz 상수 L_i와 적응형 패널티 ρ_i를 동적으로 조정한다. 또한 각 로봇이 자체 변분 학습에서 얻은 하이퍼파라미터 θ_i^*를 워밍 스타트값으로 사용해 초기 수렴을 가속화한다. 중앙 집중형 pxpGP와 이웃 기반 dec‑pxpGP 모두 동일한 수식 구조를 공유하지만, 후자는 그래프 G=(V,E) 위에서 에지‑ADMM을 적용해 1‑hop 이웃 간에만 θ_i와 보조 변수 z_ij를 교환한다.

실험에서는 합성 2‑D 함수와 실제 로봇 센서 데이터(예: 온도·가스 농도)를 사용해 10200개의 로봇 규모에서 성능을 평가한다. 결과는 기존 cGP, apxGP, gapxGP 대비 하이퍼파라미터 MLE 오차가 3050% 감소하고, RMSE 예측 오차도 유사하거나 더 낮았다. 특히 100개 이상 로봇에서 기존 방법이 수렴 실패하거나 통신 라운드가 급증하는 반면, pxpGP는 적응형 ρ 업데이트와 워밍 스타트 덕분에 23배 적은 라운드로 수렴한다. 또한 의사 데이터셋 크기를 510% 수준으로 제한해도 성능 저하가 거의 없으며, 원본 데이터 전송량 대비 95% 이상 절감한다.

한계점으로는 의사 데이터셋 생성 시 K‑means 초기화와 ELBO 최적화가 여전히 전역적인 비선형 문제이므로 초기값에 민감할 수 있다. 또한 경계·반발 페널티의 하이퍼파라미터(d_min, λ_b, λ_r) 선택이 데이터 특성에 따라 달라지며 자동 튜닝 메커니즘이 필요하다. 향후 연구에서는 비동기 ADMM, 동적 네트워크 토폴로지 변화, 그리고 다중 커널 학습을 결합해 더욱 일반화된 연합 GP 프레임워크를 구축할 여지가 있다.