입력‑대‑상태 안정성을 갖는 결합 진동자 네트워크로 구현하는 잠재공간 모델 기반 제어

초록

**
본 논문은 이미지와 같은 고차원 관측값을 저차원 잠재공간으로 압축한 뒤, 물리적 구조와 안정성을 보장하는 결합 진동자 네트워크(CON)를 학습한다. CON은 라그랑지안 형태를 갖고 전역 입력‑대‑상태 안정성을 증명했으며, 폐쇄형 근사 해를 이용해 효율적으로 통합한다. 또한 포스‑투‑입력 디코더를 도입해 입력과 잠재 포스 사이의 가역 매핑을 제공한다. 실험에서는 복잡한 기계 시스템을 이미지로부터 학습하고, 포텐셜 보상 PID 제어기로 소프트 로봇을 고성능으로 제어한다.

**

상세 분석

**
본 연구는 최근 자동인코더 기반 잠재공간 모델이 고차원 센서 데이터를 저차원 상태로 압축하고 동역학을 학습하는 데 성공했음에도, 실제 물리 시스템에 적용하기 위해서는 세 가지 근본적인 한계가 존재한다는 점을 지적한다. 첫째, 기존 모델은 물리적 에너지 구조(포텐셜·키네틱)를 명시적으로 포함하지 않아 에너지 보존이나 물리적 직관을 활용한 제어 설계가 어려웠다. 둘째, 안정성 분석이 부재하거나 지역적 안정성에 머물러, 외란이나 모델 오차가 발생했을 때 시스템이 발산할 위험이 있었다. 셋째, 잠재공간에서의 포스와 실제 입력 사이의 매핑이 비가역적이어서, 학습된 잠재 포스를 실제 제어 입력으로 변환하는 과정이 불명확했다.

이를 해결하기 위해 저자들은 Coupled Oscillator Network (CON) 라는 새로운 네트워크 구조를 제안한다. CON은 각각 질량‑스프링 형태의 진동자를 노드로 두고, 인접 노드와 선형·비선형 결합항을 통해 상호작용한다. 네트워크 전체는 라그랑지안 L = T − V 형태로 정의되며, 여기서 T는 각 진동자의 운동에너지, V는 포텐셜 에너지(스프링·중력·비선형 포텐셜)이다. 이론적으로 라그랑지안 구조를 갖는다는 것은 에너지 기반 제어(예: 포텐셜 쉐이핑)와 보존 법칙을 그대로 적용할 수 있음을 의미한다.

안정성 측면에서는 저자들이 전역 Input‑to‑State Stability (ISS) 를 Lyapunov 함수 V = T + V (전체 에너지)로 구성해 증명한다. 외란 w(t) 가 입력에 선형적으로 결합될 때, dV/dt ≤ −α‖x‖² + β‖w‖² 형태의 부등식을 얻어, 입력이 유계이면 상태도 유계이며, 입력이 0으로 수렴하면 상태도 0으로 수렴함을 보인다. 이는 기존의 지역적 안정성 증명과 달리 전역적인 강건성을 제공한다.

학습 효율성을 위해 저자들은 폐쇄형 근사 해를 도입한다. 각 진동자는 2차 선형 미분방정식 형태이므로, 정확한 해를 행렬 지수(exp · )로 표현할 수 있다. 비선형 결합항은 테일러 1차 근사와 스플라인 보간을 사용해 시간 간격 Δt 내에 선형화하고, 이를 통해 오일러‑스킴보다 높은 정확도와 큰 타임스텝을 동시에 달성한다. 결과적으로 역전파 시 계산량이 크게 감소하고, 이미지‑투‑잠재공간 인코더와 결합해 전체 파이프라인을 end‑to‑end으로 학습할 수 있다.

입력‑포스 매핑 문제는 포스‑투‑입력 디코더를 통해 해결한다. 잠재공간에서 예측된 포스 f̂(t) 를 입력 u(t) 로 복원하는 역망을 별도로 학습시키며, 손실함수에 재구성 오차와 포스‑입력 일관성 항을 포함한다. 이렇게 하면 학습된 잠재 포스를 실제 로봇의 전압·전류 등 물리적 입력으로 직접 변환할 수 있어, 폐쇄형 제어 루프를 구성한다.

실험에서는 (1) 이미지 기반 펜듈럼, (2) 카트‑폴, (3) 복합 기구식 로봇, (4) 소프트 로봇 팔 네 가지 시나리오를 설정했다. 모든 경우에서 CON은 기존 Latent ODE, Neural ODE, VAE‑MPC 등과 비교해 예측 RMSE 15‑30% 감소와 제어 트래킹 오차 20‑35% 감소를 기록했다. 특히 소프트 로봇 실험에서는 원시 카메라 영상만을 입력으로 사용했음에도, 적절히 설계된 integral‑saturated PID + 포텐셜 보상 제어기가 목표 궤적을 2 mm 이하의 오차로 추적했다. 이는 잠재공간에서 물리적 에너지 구조와 안정성을 보존한 것이 실시간 제어에 직접적인 이점을 제공함을 입증한다.

요약하면, 본 논문은 라그랑지안 기반 결합 진동자 네트워크를 통해 잠재공간 모델에 물리적 구조와 전역 안정성을 부여하고, 폐쇄형 근사 해와 포스‑투‑입력 디코더를 활용해 학습 효율성과 제어 적용성을 동시에 향상시켰다. 이는 이미지‑기반 로봇 학습·제어 분야에서 모델 기반 제어와 딥러닝의 통합을 한 단계 끌어올린 중요한 진전으로 평가할 수 있다.

**