피드백 선형화된 2R 로봇 팔을 위한 강건한 기하학적 데이터 기반 추적

Pranav Gupta, Deepan Muthirayan, Ravi Banavar

4 분 읽기•2026년 11월 18일

예측 제어는 시스템의 응답을 예측해 미래 입력을 선택하고, 첫 번째 입력을 적용한 뒤 새로운 측정값을 얻을 때마다 최적화를 반복합니다. 모델 예측 제어는 수학적 모델을 이용해 응답을 예측합니다. 데이터 기반 예측 제어는 데이터 기반 예측 제어(data-enabled predictive control)와 같이 기록된 데이터로부터 응답을 예측하며, 이 방법은 입력-출력 데이터의 선형 결합으로 궤적을 표현합니다. 기본 보조정리는 잡음이 없고 충분히 가진된 데이터가 주어진 제어 가능 선형 시불변 시스템에서 이러한 표현이 성립함을 뒷받침합니다.

불확실한 파라미터를 가진 비선형 시스템은 두 접근법 모두에 어려움을 줍니다. 부정확한 기계 모델은 편향된 예측을 낳고, 측정 궤적의 선형 결합은 비선형 동역학을 국소적으로만 근사하기 때문입니다. 모델에 대한 지식은 필요한 데이터의 양을 줄일 수 있습니다. 완전 구동 조작기에서 피드백 선형화는 기계 모델을 사용해 가상 가속도 명령을 관절 토크로 변환합니다. 파라미터와 상태가 정확하다면 각 관절은 가상 입력에서 위치까지 이중 적분기처럼 작동합니다. 파라미터, 상태 추정, 액추에이터의 오차는 잔여 동역학을 만들어내며, 이를 가상 입력과 위치 기록 데이터로 학습할 수 있습니다.

기하학적 강건 데이터 기반 예측 제어는 저차원 궤적 부분공간을 적합하고, 그라스만 다양체 위에서 같은 차원의 부분공간으로 이루어진 열린 현 거리 공을 사용해 적합 오차를 다룹니다. 측정된 이력과 원하는 미래 궤적을 결합한 목표로부터의 가중 제곱 편차 중 최악의 경우를 최소화합니다. 기계 모델은 피드백 선형화 토크 변환을 제공하고, 데이터 기반 예측 제어는 가상 입력에서 위치까지의 응답을 예측합니다. 본 연구는 이 응답을 학습하는 것이 이미 알려진 이중 적분기 모델에 비해 예측과 추적을 개선하는지 검증합니다.

평면 2R 조작기 제어

기계 모델로 팔을 피드백 선형화하고, 기하학적 데이터 기반 예측 제어로 그 결과 얻어지는 가상 입력-위치 응답을 예측합니다.

오프라인 데이터 및 기준 궤적 초기화

가속도 피드포워드와 무작위 가진을 적용한 PD 추적 제어기로 오프라인 데이터를 생성합니다. 사인파 기준 궤적의 중심, 진폭, 위상, 주기는 에피소드마다 달라집니다.

기준 궤적은 중심, 진폭, 위상, 주기가 에피소드마다 달라지는 사인파입니다.

시뮬레이션 연구

본 연구는 예측 정확도(A), 예측 제어 파라미터 조정의 전이(B), 주기 추적(C)을 살펴봅니다. 제어기는 잡음이 포함된 위치를 입력받으며, 실제 위치는 오차 평가에만 사용합니다.

피드백 선형화 후 예측 정확도

실험 A에서는 이중 적분기와 가상 입력-위치 데이터로 적합한 예측기를 비교합니다. 서로 독립적인 테스트 궤적에서 두 방법 모두 동일하게 지정된 입력과 과거 측정 위치를 바탕으로 미래 위치를 예측합니다. 미래 위치는 오차 계산에만 사용합니다. 비교 조건에는 정확한 기계 파라미터와 부정확한 기계 파라미터, 세 가지 잡음 수준이 포함됩니다.

정확한 파라미터에서는 학습으로 인한 개선 폭이 크지 않지만, 파라미터 오차가 있으면 개선 폭이 훨씬 커집니다. 이는 데이터가 이상적인 동역학에서 체계적으로 벗어나는 양상을 포착한다는 것을 보여줍니다. 학습된 예측기는 각 잡음 수준에서 더 높은 정확도를 유지하지만, 잡음이 커질수록 오차도 증가합니다. 잡음은 피드백 제어로 수집되는 궤적도 바꾸므로, 잡음 수준 간 비교에는 이러한 영향도 포함됩니다.

논의 및 결론

본 연구에서는 피드백 선형화된 평면 2R 팔에 기하학적 강건 데이터 기반 예측 제어를 적용했습니다. 결과는 기계 모델이 주요 구조를 포착하지만 체계적인 예측 오차를 남기는 경우 데이터가 유용한 역할을 할 수 있음을 보여줍니다. 그 결과 얻어지는 가상 입력-위치 응답을 학습하면 파라미터 오차가 있을 때 예측과 추적 성능이 향상됩니다. 기계 파라미터가 정확한 경우에는 이미 알려진 이중 적분기만으로도 효과적인 제어기를 구현할 수 있습니다. 직접 정규화한 데이터 기반 예측 제어와 비교한 성능은 기준 궤적에 따라 달라지며, 정확도와 토크 사용량 사이에 서로 다른 절충 관계가 나타납니다.

테스트한 잡음 수준과 팔 파라미터가 달라져도 예측 제어 설정은 효과를 유지했습니다. 이러한 전이에는 새로 수집한 데이터와 이에 맞춘 기계 모델 및 관측기 업데이트가 사용되었습니다. 측정 잡음이 커지면 추적 오차와 액추에이터 활동이 증가했지만, 기하학적 데이터 기반 예측 제어를 적용한 모든 시험은 완료되었습니다.

생성형 AI 사용

생성형 AI 도구는 문헌 검토, TikZ 삽화 준비, 시뮬레이션 코드 최적화, 수학적 설명과 결과 검토에 활용되었습니다.

지정된 입력에 대한 예측

미래 출력 항목이 예측값입니다. 이미 알려진 이중 적분기의 경우, 정확한 동작과 0인 아핀 평균을 동일한 최적화 계산에 사용합니다. 미래 위치는 오차 계산에만 사용합니다.

이중 적분기 MPC

양의 정부호 계수 행렬은 한 번만 인수분해하며, 기준 궤적과 관측기 사전값은 우변을 갱신합니다.

기준 궤적 및 성능 측정

기준 궤적에는 위상과 2초 램프가 있습니다. 평가는 1.2초 동안의 안정화 유지 구간 후에 시작하며, 램프와 두 주기 동안 진행됩니다. 기본 기준 궤적과 이동된 기준 궤적에서는 14초, 더 빠른 기준 궤적에서는 11초 동안 평가합니다. 각 조건에서는 서로 독립적인 데이터/잡음 쌍 6개를 사용하고, 측정 잡음은 제어기 간에 짝을 맞췄습니다.

자주 묻는 질문

피드백 선형화는 평면 2R 팔에서 어떤 역할을 하나요? 기계 모델을 사용해 가상 가속도 명령을 관절 토크로 변환합니다. 파라미터와 상태가 정확하다면 각 관절은 가상 입력에서 위치까지 이중 적분기처럼 작동합니다.

데이터 기반 예측기는 무엇을 학습하나요? 기록된 데이터로부터 가상 입력-위치 응답을 학습하며, 파라미터, 상태 추정, 액추에이터 오차로 인한 잔여 동역학도 포함합니다.

학습은 언제 예측과 추적을 개선하나요? 학습된 예측기는 정확한 파라미터에서도 예측을 개선하며, 기계 파라미터가 부정확한 경우 개선 폭이 훨씬 큽니다. 응답을 학습하면 파라미터 오차가 있을 때 추적 성능도 향상됩니다.

측정 잡음은 성능에 어떤 영향을 미치나요? 잡음이 커지면 예측 오차, 추적 오차, 액추에이터 활동이 증가합니다. 그럼에도 기하학적 데이터 기반 예측 제어를 적용한 모든 시험은 완료되었습니다.