유한 데이터와 비대칭 구동기 제한 아래 출력 안전을 인증하는 Finite-Data Safety Informativity 프레임워크
이 arXiv 프리프린트는 유한 측정 데이터와 비대칭 입력 제한 아래에서 출력 안전 부등식을 보장하는 명령을 인증하는 Finite-Data Safety Informativity 프레임워크를 제안한다. 측정된 회귀벡터의 선형 생성 범위에 속하는 질의에 대해 최악 모델 기여도를 유한하게 계산하고, 구동기 추적 오차를 여유로 반영해 필요충분 아핀 부등식과 명령 투영, 허용 게이트를 도출했다. 차량 시뮬레이션에서 40개 샘플 기록 선택에 따라 안전 인증 커버리지가 1.03%에서 76.27%로 올랐으며, 닫힌 루프 추적에서 출력, 입력 제약을 유지했다.
유한 측정 데이터와 비대칭 입력 한계 아래에서, 데이터와 일치하는 모든 모델에 대해 출력 안전 부등식을 보장하는 명령을 어떻게 결정하고 실현할 수 있는가?
모델이 불완전할 때 측정 오차와 제한된 excitation 때문에 동일한 유한 데이터와 일치하는 모델이 여러 개 생긴다. 한 모델에서는 안전한 명령이 다른 모델에서는 안전하지 않을 수 있고, 비대칭 입력 한계와 구동기 추적 오차가 정정 입력 가용성을 제한한다. 기존 방법들은 불확실성 추정이나 안전 필터를 제공하지만, 유한 기록이 제한된 제어 권한 아래에서 안전 인증에 충분한지 여부를 결정론적으로 보장하지 못했다.
가우시안 프로세스 기반 예측 경계, 강화학습 보정, 등각 보정, 강건 적응, 불확실성 추정 방법은 모델 항과 불확실성을 추정하지만 유한 기록의 충분성을 필요충분 조건으로 시험하지 않는다. 데이터 정보성 기반 선형 피드백 합성은 선형 시스템 중심이고, APIR 같은 구동기 인식 배리어는 비대칭 한계를 다루지만 데이터 일관 모델 전체에 대한 최악 안전 기여도를 유한 기록에서 계산하는 체계와 결합되지 못했다.
저자들은 안전 채널의 불일치를 선형 파라미터 표현 δ = Θ^T φ + d로 두고, 데이터 일관 집합 T_N = {Θ: ||R_N - Θ^T Φ_N||_F ≤ η_N}을 구성한다. Theorem 1은 질의 특징 φ가 측정된 특징 행렬의 열공간에 있을 때 최악 모델 기여도를 c^T R_N β_N + χ_N ||c|| ||β_N||로 유한하게 계산하고, 열공간 밖이면 지원이 +∞가 됨을 보인다. Lemma 1은 구동기 내부 오차 동역학을 이용해 물리 입력 오차의 성분별 경계 ε_a,j를 얻는다. 이를 결합하면 안전 여유가 d_N + b_N^T u_c + ρ_a,N인 아핀 부등식이 되고, 이 여유를 최소화하는 극단 명령 u_N^ext에서 필요충분 조건 A_N^a = -(d_N + b_N^T u_N^ext + ρ_a,N) ≥ 0을 얻는다. 최소 편차 명령은 클리핑된 기준 명령 u_0 - λ_s b_N에서 스칼라 근을 푸는 문제로 줄고, 원하는 명령 세그먼트의 최대 허용 비율은 λ_N,a* = -m_s/(m_d-m_s) (m_d>0)으로 닫힌 형태로 나온다. 피드백의 국소 립시츠 연속 조건을 명시해 존재성과 연속성 보장을 다룬다.
수치 시뮬레이션에서 저자들은 차량의 수평, 수직 위치를 추적하는 2자유도 모델을 사용했다. 데이터 기록은 모두 40개 샘플, 특징 차원 4로 풀랭크였다. 연속 기록 D_c, 균등 기록 D_u, 광범위 캠페인에서 선택한 D_s의 유한 데이터 초과 중앙값은 각각 2.423, 0.1477, 0.0353 s^-1이었다. 11,241개 상태, 시간 질의에서 안전 인증 커버리지는 D_c 1.03%, D_u 32.09%, D_s 76.27%였고, 정확한 파라미터 벤치마크는 86.26%였다. D_s를 사용한 20초 닫힌 루프 시뮬레이션에서 초기 추적 오차 (8.9, 3) m, W(0)=0.7349에서 e_x는 3.05초, e_h는 4.25초에 [-0.2,0.2] m로 진입했고 이후 유지됐다. 최대 샘플 저장 함수는 0.7349였고, 실현 입력 범위는 수평 약 [9,14] m/s, 수직 약 [-1.856,1.044] m/s로 물리 한계 (8,18), (-3,2) m/s 안에 있었다. 게이트는 0.1~2.44초 구간에서 원하는 명령을 전부 허용했고 이후 영에 가까워졌다.
저자들은 보증이 국소 립시츠 피드백과 불확실성 경계가 유지될 때만 성립한다고 명시했다. 점별 인증이 연속 피드백 선택을 보장하지 않는다는 반례를 제시했다. 제안한 감쇠 인증은 출력 안전보다 강한 요구이며, 구동기 오차 집합이 실제 도달 불가능한 오차를 포함해 보수적일 수 있다. 회귀 변수 오차는 비유계 파라미터에서 기존 가법 경계로 흡수되지 않아 정확한 회귀 변수가 필요하다. 평가는 차량 수치 모델과 단일 닫힌 루프 시나리오에 그쳤고, 실물 로봇 실험은 보고되지 않았다. 코드 공개 여부도 논문에 보고되지 않았다. 게이트의 표시 전환은 영슬랙 끝점에서 연속성을 확립하지 않는다.
자율주행 차량, 드론, 로봇 매니퓰레이터처럼 비대칭 입력 제한과 모델 불확실성이 있는 시스템의 안전 필터나 학습 제어 파이프라인에 사용할 수 있다. 지금은 시뮬레이션 검증 단계이며, 실시간 구현은 아핀 부등식과 스칼라 근 탐색이라 비교적 가볍다. 다만 실제 제품 적용에는 하드웨어 시험, 불확실성 경계의 타당성 확보, 연속 피드백 선택 보장, 센서 잡음, 회귀 변수 오차 대응이 선행되어야 한다. 1~3년 안에 자율주행 또는 드론 안전 필터 모듈로 시범 적용될 수 있고, 3년 이후에는 규제용 결정론적 안전 근거로 확장될 여지가 있다.
이 논문은 라이선스상 전문을 게재할 수 없어 요약과 원문 링크만 제공합니다.