임베디드 하드웨어에서 수천 개 병렬 모델로 빠르게 적응하는 LLA-MPC

로봇이 빠르게 변하는 동역학(타이어 마모, 노면 변화 등)에서 학습이나 사전 데이터 없이 임베디드 하드웨어에서 실시간으로 모델을 식별하고 제어할 수 있는가?

모델 기반 제어는 동역학이 급변하면 성능이 저하된다. 기존 적응형 방법은 경사도나 선형 파라미터 관계가 필요하거나, 워밍업 데이터, 오프라인 학습, 고정 모델 헤징에 의존하며, 원래 LLA-MPC는 시뮬레이션 전용이고 하드웨어 이전에 실패했다. 실물 F1TENTH에서는 제한된 연산과 잡음 많은 상태 추정 속에서 1초 미만의 식별이 필요하다.

다중 모델 적응 제어, 잔차 가중 다중 모델 MPC, 재귀 파라미터 추정, 가우시안 프로세스 잔차 학습, 타이어 보정, 메타러닝 등이 있다. 그러나 이들은 사전 학습, 워밍업, 파라미터 선형성, 미분 가능한 모델 구조가 필요하거나, 변화 후 데이터 수집 단계 이후에만 적응한다. 원래 LLA-MPC는 시뮬레이션만으로 검증됐고 차량 모델이 하드웨어에 적용되지 못했다.

연구진은 모듈형 동역학, 적분기, 병렬화 백엔드를 갖춘 일반화된 LLA-MPC를 구현했다. F1TENTH에 단일 트랙 동역학 모델과 Fiala 브러시 타이어 모델을 통합하고, 타이어 코너링 강성과 마찰 계수 4개 파라미터를 일정 범위에서 균일하게 샘플링해 5000개 후보 모델 뱅크를 구성한다. 각 시간 스텝마다 현재 상태와 제어로 모든 모델의 1스텝 예측을 JAX 기반 4차 Runge-Kutta 적분으로 배치 계산하고, 지난 60스텝(W=60)의 잔차 제곱합을 슬라이딩 윈도우로 갱신해 가장 오차가 작은 모델을 선택한다. 선택된 모델을 acados의 MPC 예측 모델로 사용해 30스텝 호라이즌의 최적 제어를 계산한다. 실험은 오프보드(모션캡처 180Hz, Intel 258V CPU)와 온보드(파티클 필터 40Hz, Jetson Orin Nano)의 두 구성으로 진행했다.

실물 F1TENTH 플랫폼에서 저마찰 플라스틱 타이어로 평가했다. 실험 1(고속 저마찰 추적)에서 LLA-MPC는 평균 속도를 유지하며 8바퀴 이상 충돌 없이 주행했고, 명목 모델은 3바퀴째에 충돌했다. 실험 2(서로 다른 노면과 급격한 높이 변화)에서는 LLA-MPC가 6바퀴 이상 완주했고 명목 모델은 1바퀴만 완주했다. 실험 3(온보드 연산, 극저마찰 급회전)에서 명목 모델은 기준 경로를 크게 벗어나 충돌했고 LLA-MPC는 고속 드리프트 기동을 완수했다. 모든 실험에서 LLA-MPC의 코너링 강성 및 마찰 계수 추정치는 수렴했고, H-스텝 예측 오차가 명목 모델보다 낮았다고 저자는 보고했다. 다만 논문에 예측 오차의 구체적 수치나 반복 시험 횟수는 제시되지 않았다.

이 연구는 프리프린트로 동료 심사를 거치지 않았다. 실험은 단일 F1TENTH 차량과 단일 과제 위주이며 반복 시험 횟수나 통계적 유의성은 보고되지 않았다. H-스텝 예측 오차의 정량적 수치가 없어 효과 크기를 비교하기 어렵다. 실험 1과 2는 오프보드 연산이며, 온보드 실험은 하나의 급회전 시나리오에 국한된다. 온보드 구성에서 CPU와 GPU 사용 구분이 명확하지 않아 순수 CPU 성능은 불확실하다. 파라미터 공간 경계가 실제 동역학을 포함하지 않으면 적응이 실패할 수 있고, 모델 구조가 실제와 다르면 오차가 남는다. 안전성, 충돌 회피, 다른 플랫폼 확장은 다루지 않았다.