6.106 랭크-널리티 정리의 증명과 응용

1. 개요

랭크-널리티 정리(rank-nullity theorem)는 선형대수학의 가장 기본적이며 중요한 정리 중 하나이다. 이 정리는 행렬(또는 선형 사상)의 랭크와 널리티의 합이 정의역의 차원과 동일함을 서술한다. 로봇공학에서 이 정리는 야코비안을 통해 태스크 공간에서 실현 가능한 자유도와 영 공간에 속하는 여유 자유도를 정확히 분해하는 이론적 근거를 제공한다. 이 절에서는 정리의 정확한 진술, 엄밀한 증명, 그리고 로봇공학에서의 응용을 다룬다.

2. 정리의 진술

2.1 행렬 형태

\mathbf{A} \in \mathbb{R}^{m \times n}에 대해

\text{rank}(\mathbf{A}) + \text{nullity}(\mathbf{A}) = n

여기서 \text{rank}(\mathbf{A}) = \dim(\mathcal{C}(\mathbf{A}))이고 \text{nullity}(\mathbf{A}) = \dim(\mathcal{N}(\mathbf{A}))이다.

2.2 선형 사상 형태

V와 W가 유한 차원 벡터 공간이고 T: V \to W가 선형 사상이면

\dim(\text{Im}(T)) + \dim(\ker(T)) = \dim(V)

여기서 \text{Im}(T) = \{T(\mathbf{v}) \mid \mathbf{v} \in V\}는 상(image), \ker(T) = \{\mathbf{v} \in V \mid T(\mathbf{v}) = \mathbf{0}\}는 핵(kernel)이다.

3. 증명

r = \text{rank}(\mathbf{A}), k = \text{nullity}(\mathbf{A})라 하자. r + k = n임을 보인다.

3.1 단계: 영 공간의 기저 구성

\mathcal{N}(\mathbf{A})의 기저를 \{\mathbf{n}_1, \mathbf{n}_2, \dots, \mathbf{n}_k\}라 하자. 기저 확장 정리에 의해, 이를 \mathbb{R}^n의 기저로 확장할 수 있다.

\{\mathbf{n}_1, \dots, \mathbf{n}_k, \mathbf{w}_1, \dots, \mathbf{w}_p\}

여기서 k + p = n이다. p = n - k임을 보이고, r = p임을 증명하면 된다.

3.2 단계: \{\mathbf{A}\mathbf{w}_1, \dots, \mathbf{A}\mathbf{w}_p\}가 \mathcal{C}(\mathbf{A})를 생성함을 보임

임의의 \mathbf{b} \in \mathcal{C}(\mathbf{A})에 대해 \mathbf{b} = \mathbf{A}\mathbf{x}인 \mathbf{x} \in \mathbb{R}^n이 존재한다. \mathbf{x}를 기저로 전개하면

\mathbf{x} = \alpha_1 \mathbf{n}_1 + \cdots + \alpha_k \mathbf{n}_k + \beta_1 \mathbf{w}_1 + \cdots + \beta_p \mathbf{w}_p

이를 \mathbf{A}에 대입하면

\mathbf{b} = \mathbf{A}\mathbf{x} = \alpha_1 \underbrace{\mathbf{A}\mathbf{n}_1}_{=\mathbf{0}} + \cdots + \alpha_k \underbrace{\mathbf{A}\mathbf{n}_k}_{=\mathbf{0}} + \beta_1 \mathbf{A}\mathbf{w}_1 + \cdots + \beta_p \mathbf{A}\mathbf{w}_p

= \beta_1 \mathbf{A}\mathbf{w}_1 + \cdots + \beta_p \mathbf{A}\mathbf{w}_p

따라서 \{\mathbf{A}\mathbf{w}_1, \dots, \mathbf{A}\mathbf{w}_p\}가 \mathcal{C}(\mathbf{A})를 생성한다.

3.3 단계: \{\mathbf{A}\mathbf{w}_1, \dots, \mathbf{A}\mathbf{w}_p\}가 일차 독립임을 보임

\gamma_1 \mathbf{A}\mathbf{w}_1 + \cdots + \gamma_p \mathbf{A}\mathbf{w}_p = \mathbf{0}이라 가정하자. 그러면

\mathbf{A}(\gamma_1 \mathbf{w}_1 + \cdots + \gamma_p \mathbf{w}_p) = \mathbf{0}

이므로 \gamma_1 \mathbf{w}_1 + \cdots + \gamma_p \mathbf{w}_p \in \mathcal{N}(\mathbf{A})이다. 따라서

\gamma_1 \mathbf{w}_1 + \cdots + \gamma_p \mathbf{w}_p = \delta_1 \mathbf{n}_1 + \cdots + \delta_k \mathbf{n}_k

정리하면

\gamma_1 \mathbf{w}_1 + \cdots + \gamma_p \mathbf{w}_p - \delta_1 \mathbf{n}_1 - \cdots - \delta_k \mathbf{n}_k = \mathbf{0}

\{\mathbf{n}_1, \dots, \mathbf{n}_k, \mathbf{w}_1, \dots, \mathbf{w}_p\}가 \mathbb{R}^n의 기저이므로 일차 독립이다. 따라서 모든 계수가 0이어야 한다.

\gamma_1 = \cdots = \gamma_p = \delta_1 = \cdots = \delta_k = 0

\{\mathbf{A}\mathbf{w}_1, \dots, \mathbf{A}\mathbf{w}_p\}가 일차 독립이다.

3.4 단계: 결론

\{\mathbf{A}\mathbf{w}_1, \dots, \mathbf{A}\mathbf{w}_p\}는 \mathcal{C}(\mathbf{A})의 기저이므로

r = \dim(\mathcal{C}(\mathbf{A})) = p = n - k

따라서

\text{rank}(\mathbf{A}) + \text{nullity}(\mathbf{A}) = r + k = n

\blacksquare

4. 직교 분해와의 관계

랭크-널리티 정리는 \mathbb{R}^n의 직교 분해와 밀접한 관련이 있다.

\mathbb{R}^n = \mathcal{C}(\mathbf{A}^\top) \oplus \mathcal{N}(\mathbf{A})

여기서 \oplus는 직교 직합(orthogonal direct sum)이다. 이는 \mathbb{R}^n의 임의의 벡터 \mathbf{x}를 다음과 같이 유일하게 분해할 수 있음을 의미한다.

\mathbf{x} = \mathbf{x}_r + \mathbf{x}_n, \quad \mathbf{x}_r \in \mathcal{C}(\mathbf{A}^\top), \quad \mathbf{x}_n \in \mathcal{N}(\mathbf{A}), \quad \mathbf{x}_r \perp \mathbf{x}_n

차원을 세면

n = \dim(\mathcal{C}(\mathbf{A}^\top)) + \dim(\mathcal{N}(\mathbf{A})) = r + (n - r)

마찬가지로 공역(codomain) \mathbb{R}^m에 대해

\mathbb{R}^m = \mathcal{C}(\mathbf{A}) \oplus \mathcal{N}(\mathbf{A}^\top)

이며

m = \dim(\mathcal{C}(\mathbf{A})) + \dim(\mathcal{N}(\mathbf{A}^\top)) = r + (m - r)

이 성립한다.

5. 로봇공학에서의 응용

5.1 여유 자유도의 정량화

n-자유도 로봇이 m-차원 태스크를 수행할 때, 야코비안 \mathbf{J} \in \mathbb{R}^{m \times n}이 풀 랭크(\text{rank}(\mathbf{J}) = m)이면

\text{nullity}(\mathbf{J}) = n - m

이 영 공간의 차원이 여유 자유도(degree of redundancy)이다. 예를 들어:

5.2 태스크 실현 가능성 판별

원하는 태스크 속도 \dot{\mathbf{x}}_d가 정확히 실현 가능하려면 \dot{\mathbf{x}}_d \in \mathcal{C}(\mathbf{J})이어야 한다. \text{rank}(\mathbf{J}) = m이면 \mathcal{C}(\mathbf{J}) = \mathbb{R}^m이므로 모든 태스크 속도가 실현 가능하다. \text{rank}(\mathbf{J}) < m이면 \mathcal{C}(\mathbf{J})는 \mathbb{R}^m의 진부분공간이 되어, \mathcal{C}(\mathbf{J})에 속하지 않는 방향의 태스크 속도는 실현 불가능하다.

5.3 관절 속도의 분해

랭크-널리티 정리에 기반한 직교 분해를 관절 속도에 적용하면

\dot{\boldsymbol{\theta}} = \underbrace{\mathbf{J}^+ \dot{\mathbf{x}}_d}_{\text{최소 노름 해 (행 공간 성분)}} + \underbrace{(\mathbf{I} - \mathbf{J}^+ \mathbf{J}) \dot{\boldsymbol{\theta}}_0}_{\text{영 공간 성분}}

이 분해는 다음을 보장한다.

• 행 공간 성분 \mathbf{J}^+ \dot{\mathbf{x}}_d는 \mathcal{C}(\mathbf{J}^\top)에 속한다.
• 영 공간 성분 (\mathbf{I} - \mathbf{J}^+ \mathbf{J}) \dot{\boldsymbol{\theta}}_0는 \mathcal{N}(\mathbf{J})에 속한다.
• 두 성분은 서로 직교한다.
• 영 공간 성분은 태스크 수행에 영향을 주지 않는다.

5.4 태스크 우선순위 프레임워크

다수의 태스크를 우선순위에 따라 계층적으로 처리하는 프레임워크에서, 랭크-널리티 정리는 각 태스크 수준에서 남은 자유도를 결정한다.

주 태스크의 야코비안이 \mathbf{J}_1 \in \mathbb{R}^{m_1 \times n}이고 \text{rank}(\mathbf{J}_1) = r_1이면, 부 태스크를 위해 사용할 수 있는 자유도는 n - r_1이다. 부 태스크의 야코비안 \mathbf{J}_2를 \mathbf{J}_1의 영 공간에 사영하면

\dot{\boldsymbol{\theta}} = \mathbf{J}_1^+ \dot{\mathbf{x}}_{d,1} + (\mathbf{I} - \mathbf{J}_1^+ \mathbf{J}_1) \left[ (\mathbf{J}_2 \mathbf{N}_1)^+ (\dot{\mathbf{x}}_{d,2} - \mathbf{J}_2 \mathbf{J}_1^+ \dot{\mathbf{x}}_{d,1}) \right]

여기서 \mathbf{N}_1 = \mathbf{I} - \mathbf{J}_1^+ \mathbf{J}_1이다. 이 구조에서 주 태스크의 실현이 보장되며, 남은 자유도 내에서 부 태스크를 최대한 추종한다.

6. 특이점에서의 랭크 변화

6.1 랭크 결손 (Rank Deficiency)

특이 배치에서 야코비안의 랭크가 감소하면

\text{rank}(\mathbf{J}) = r < m

이 되고, 랭크-널리티 정리에 의해

\text{nullity}(\mathbf{J}) = n - r > n - m

이 되어 영 공간의 차원이 증가한다. 이는 특이점에서 자기 운동의 자유도가 증가함을 의미하며, 동시에 \mathcal{C}(\mathbf{J})의 차원이 감소하여 특정 태스크 방향의 속도를 생성할 수 없게 된다.

6.2 랭크 변화의 물리적 해석

m = 6, n = 6인 비여유 자유도 매니퓰레이터에서:

7. 관련 정리와 확장

7.1 Sylvester 랭크 부등식

\mathbf{A} \in \mathbb{R}^{m \times n}, \mathbf{B} \in \mathbb{R}^{n \times p}에 대해

\text{rank}(\mathbf{A}) + \text{rank}(\mathbf{B}) - n \leq \text{rank}(\mathbf{A}\mathbf{B}) \leq \min(\text{rank}(\mathbf{A}), \text{rank}(\mathbf{B}))

7.2 Frobenius 랭크 부등식

\mathbf{A} \in \mathbb{R}^{m \times n}, \mathbf{B} \in \mathbb{R}^{n \times p}, \mathbf{C} \in \mathbb{R}^{p \times q}에 대해

\text{rank}(\mathbf{A}\mathbf{B}) + \text{rank}(\mathbf{B}\mathbf{C}) \leq \text{rank}(\mathbf{B}) + \text{rank}(\mathbf{A}\mathbf{B}\mathbf{C})

7.3 차원 정리의 일반화

유한 차원 벡터 공간 사이의 선형 사상의 열(chain)에 대해, 랭크-널리티 정리는 정확열(exact sequence)의 이론으로 일반화된다.

8. 참고 문헌

• Strang, G. (2016). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.
• Axler, S. (2015). Linear Algebra Done Right (3rd ed.). Springer.
• Nakamura, Y. (1991). Advanced Robotics: Redundancy and Optimization. Addison-Wesley.
• Siciliano, B., Sciavicco, L., Villani, L., & Oriolo, G. (2009). Robotics: Modelling, Planning and Control. Springer.
• Golub, G. H., & Van Loan, C. F. (2013). Matrix Computations (4th ed.). Johns Hopkins University Press.

v 0.1