6.58 선형 변환의 공리적 정의

1. 도입

선형 변환은 선형대수학의 가장 핵심적인 개념 중 하나로, 벡터 공간 사이의 구조를 보존하는 함수이다. 단순한 함수가 아니라 덧셈과 스칼라 곱이라는 벡터 공간의 두 연산을 모두 보존하는 특별한 종류의 함수이며, 이러한 보존 성질이 선형대수의 모든 결과를 가능하게 한다. 로봇공학에서 회전, 평행 이동, 사영, 자코비안 사상 등 거의 모든 기하학적 및 운동학적 사상은 선형 변환의 형태를 띠거나 그 일부를 구성하므로, 선형 변환의 공리적 이해는 로봇 운동 해석의 기초이다.

2. 공리적 정의

체 $\mathbb{F}$ 위의 두 벡터 공간 $V$ 와 $W$ 사이의 함수 $T: V \to W$ 가 다음 두 조건을 모두 만족할 때, $T$ 를 선형 변환(linear transformation) 또는 선형 사상(linear map)이라 한다.

(L1) 가법성: 임의의 $\mathbf{u}, \mathbf{v} \in V$ 에 대하여,
$T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$

(L2) 동차성: 임의의 $\mathbf{v} \in V$ 와 임의의 스칼라 $c \in \mathbb{F}$ 에 대하여,
$T(c \mathbf{v}) = c T(\mathbf{v})$

이 두 조건은 $T$ 가 벡터 공간의 두 연산을 보존함을 의미한다.

3. 단일 조건으로의 통합

위의 두 조건은 다음과 같은 단일 조건으로 통합될 수 있다. 임의의 $\mathbf{u}, \mathbf{v} \in V$ 와 임의의 스칼라 $a, b \in \mathbb{F}$ 에 대하여,

$T(a\mathbf{u} + b\mathbf{v}) = a T(\mathbf{u}) + b T(\mathbf{v})$

이 통합된 조건을 선형성(linearity)이라 한다. 두 조건이 동치임은 직접적인 계산으로 확인된다.

4. 선형 변환의 기본 성질

선형 변환의 정의로부터 다음과 같은 기본 성질들이 직접 도출된다.

성질 1 (영벡터의 보존): $T(\mathbf{0}_V) = \mathbf{0}_W$ .

증명은 동차성에 $c = 0$ 을 대입하여 $T(0 \cdot \mathbf{v}) = 0 \cdot T(\mathbf{v}) = \mathbf{0}_W$ 를 얻는 것으로 충분하다.

성질 2 (역원의 보존): 임의의 $\mathbf{v} \in V$ 에 대하여 $T(-\mathbf{v}) = -T(\mathbf{v})$ .

증명은 동차성에 $c = -1$ 을 대입하여 얻는다.

성질 3 (선형 결합의 보존): 임의의 벡터 $\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_n \in V$ 와 임의의 스칼라 $c_1, c_2, \dots, c_n \in \mathbb{F}$ 에 대하여,
$T\left( \sum_{i=1}^{n} c_i \mathbf{v}_i \right) = \sum_{i=1}^{n} c_i T(\mathbf{v}_i)$

이 성질은 수학적 귀납법을 통해 두 가지 정의 조건으로부터 얻어지며, 선형 변환이 임의의 선형 결합 구조를 보존함을 보여준다.

5. 비선형 사상의 예

선형 변환이 아닌 사상들을 통해 정의의 함의를 명확히 할 수 있다. 다음 사상들은 모두 선형 변환이 아니다.

$T: \mathbb{R} \to \mathbb{R}, T(x) = x + 1$ . 영을 보존하지 않으므로 선형이 아니다.
$T: \mathbb{R}^2 \to \mathbb{R}, T(x, y) = xy$ . 가법성이 성립하지 않는다.
$T: \mathbb{R} \to \mathbb{R}, T(x) = x^2$ . 동차성과 가법성 모두 성립하지 않는다.
$T: \mathbb{R} \to \mathbb{R}, T(x) = \vert x \vert$ . 동차성이 성립하지 않는다( $c < 0$ 인 경우).

이러한 예들은 선형 변환의 두 조건이 매우 제한적임을 보여주며, 선형성이라는 개념이 결코 사소하지 않은 구조적 성질임을 강조한다.

6. 아핀 변환과의 구별

영벡터를 보존하지 않는 사상 중 가장 중요한 부류가 아핀 변환이다. 아핀 변환은 다음 형태로 표현된다.

$T(\mathbf{v}) = L(\mathbf{v}) + \mathbf{b}$

여기서 $L$ 은 선형 변환이며 $\mathbf{b}$ 는 상수 벡터이다. $\mathbf{b} \ne \mathbf{0}$ 일 때 $T$ 는 영벡터를 보존하지 않으므로 선형이 아니지만, 선형 변환과 평행 이동의 결합이라는 점에서 매우 중요한 부류이다. 강체의 위치와 자세를 동시에 표현하는 동차 변환이 대표적인 아핀 변환이다.

7. 선형 변환의 표준 예

다음은 자주 등장하는 선형 변환의 표준적 예이다.

(1) 영변환: 모든 벡터를 영벡터로 보내는 사상 $T(\mathbf{v}) = \mathbf{0}$ .

(2) 항등 변환: 모든 벡터를 자기 자신으로 보내는 사상 $I(\mathbf{v}) = \mathbf{v}$ .

(3) 스칼라 곱: 고정된 스칼라 $c$ 에 대해 $T(\mathbf{v}) = c \mathbf{v}$ .

(4) 행렬 곱: 행렬 $A \in \mathbb{R}^{m \times n}$ 에 대해 $T_A: \mathbb{R}^n \to \mathbb{R}^m, T_A(\mathbf{x}) = A\mathbf{x}$ .

(5) 미분 작용소: $V$ 가 미분 가능 함수의 공간일 때 $D: V \to V, D(f) = f'$ .

(6) 정적분 작용소: $V = C([a, b])$ 일 때 $T: V \to \mathbb{R}, T(f) = \int_a^b f(x) \, dx$ .

이러한 다양한 예들은 선형 변환이 행렬 사상에 국한되지 않는 추상적 개념임을 보여준다.

8. 선형 변환의 결정 정리

선형 변환의 가장 중요한 성질 중 하나는 기저의 상에 의해 완전히 결정된다는 점이다.

정리(선형 변환의 결정 정리): $V$ 와 $W$ 가 체 $\mathbb{F}$ 위의 벡터 공간이고, $\{\mathbf{e}_1, \mathbf{e}_2, \dots, \mathbf{e}_n\}$ 이 $V$ 의 기저이며, $\mathbf{w}_1, \mathbf{w}_2, \dots, \mathbf{w}_n$ 이 $W$ 의 임의의 벡터일 때, 다음을 만족하는 선형 변환 $T: V \to W$ 가 유일하게 존재한다.

$T(\mathbf{e}_i) = \mathbf{w}_i, \quad i = 1, 2, \dots, n$

증명의 개요: 임의의 $\mathbf{v} \in V$ 는 기저에 대해 $\mathbf{v} = \sum_{i=1}^{n} c_i \mathbf{e}_i$ 의 형태로 유일하게 표현된다. 그러면 $T(\mathbf{v})$ 를 다음과 같이 정의한다.

$T(\mathbf{v}) = \sum_{i=1}^{n} c_i \mathbf{w}_i$

이렇게 정의된 $T$ 가 선형 조건을 만족하며 기저의 상이 지정된 대로 됨은 직접 확인할 수 있다. 또한 선형 변환의 선형 결합 보존 성질에 의해 이러한 $T$ 는 유일하다.

이 정리는 선형 변환을 분석하고 구성할 때 기저의 작용만 알면 충분함을 보장하며, 모든 행렬 표현 이론의 기반이 된다.

9. 선형 변환의 합성과 역변환

두 선형 변환 $T: V \to W$ 와 $S: W \to U$ 의 합성 $S \circ T: V \to U$ 도 선형 변환이다. 이는 선형성 조건을 직접 검증함으로써 확인된다. 합성의 결합 법칙은 일반적인 함수 합성으로부터 자동으로 따라온다.

선형 변환 $T: V \to W$ 가 전단사일 때 그 역함수 $T^{-1}: W \to V$ 도 선형 변환이다. 이러한 $T$ 를 동형 사상(isomorphism)이라 하며, $V$ 와 $W$ 가 동형 사상으로 연결될 때 두 공간을 동형(isomorphic)이라 한다.

10. 선형 변환의 공간

두 벡터 공간 $V$ 와 $W$ 사이의 모든 선형 변환의 집합 $\mathcal{L}(V, W)$ 자체도 자연스러운 벡터 공간 구조를 갖는다. 두 선형 변환의 합과 스칼라 곱은 다음과 같이 정의된다.

$(T + S)(\mathbf{v}) = T(\mathbf{v}) + S(\mathbf{v}), \quad (cT)(\mathbf{v}) = c T(\mathbf{v})$

이렇게 정의된 합과 스칼라 곱이 다시 선형 변환임을 확인할 수 있으며, $\mathcal{L}(V, W)$ 가 벡터 공간의 모든 공리를 만족함이 따라온다. $\dim V = n$ , $\dim W = m$ 일 때 $\dim \mathcal{L}(V, W) = mn$ 이며, 이 공간은 $\mathbb{R}^{m \times n}$ 과 동형이다.

11. 선형 변환과 행렬 표현의 관계

유한 차원 벡터 공간 사이의 선형 변환은 기저 선택을 통해 행렬로 표현될 수 있다. 그러나 선형 변환 자체는 추상적 객체이며, 행렬은 그 표현일 뿐이다. 이러한 구별은 다음 두 가지 이유에서 중요하다.

첫째, 동일한 선형 변환이 서로 다른 기저 선택에 대해 서로 다른 행렬로 표현되며, 이러한 표현들은 닮음 관계로 연결된다. 둘째, 무한 차원 공간(예: 함수 공간)에서는 선형 변환을 단일 행렬로 표현할 수 없으며, 이 경우 추상적 정의가 필수적이다. 선형 변환과 행렬 표현의 관계는 다음 절들에서 상세히 다룬다.

12. 사영, 회전, 반사의 공리적 분석

기하학적으로 친숙한 변환들이 선형성 조건을 만족하는지 확인하는 것은 추상적 정의를 구체화하는 좋은 방법이다.

회전: 평면에서 원점을 중심으로 한 회전 $R_\theta: \mathbb{R}^2 \to \mathbb{R}^2$ 는 선형 변환이다. 두 벡터의 합을 회전한 결과는 각 벡터의 회전의 합과 같으며, 스칼라 곱과도 호환된다.

원점에 대한 반사: 임의의 원점을 지나는 직선에 대한 반사 변환은 선형이다.

원점을 지나는 직선 위로의 사영: 임의의 원점을 지나는 직선 위로의 직교 사영은 선형이다.

원점을 지나지 않는 직선에 대한 작용: 원점을 지나지 않는 직선에 대한 반사나 사영은 영벡터를 보존하지 않으므로 선형이 아니라 아핀 변환이다.

이러한 구별은 선형 변환이라는 개념의 핵심적인 기하학적 의미를 명확히 한다.

13. 로봇공학에서의 응용

13.1 회전과 강체 변환의 분리

3차원 공간에서 강체의 자세를 나타내는 회전은 $SO(3)$ 군에 속하며, 모든 회전은 영벡터를 보존하므로 선형 변환이다. 반면 위치까지 포함한 강체 변환은 평행 이동 성분을 가지므로 아핀 변환이다. 이러한 구별은 동차 좌표를 도입하는 동기가 되며, 동차 좌표에서는 평행 이동도 선형 변환의 형태로 표현되어 합성과 역변환이 통일된 방식으로 처리된다.

13.2 자코비안 사상

매니퓰레이터의 자코비안 행렬 $J(q)$ 는 관절 속도 공간에서 작업 공간 속도로의 선형 사상을 정의한다.

$\dot{\mathbf{x}} = J(q) \dot{q}$

이 사상은 각 자세 $q$ 에서 공리적 의미의 선형 변환이며, 그 핵과 상의 분석을 통해 매니퓰레이터의 운동 능력과 특이점을 이해할 수 있다. 자코비안의 선형성은 미분 운동학의 모든 분석의 기반이다.

13.3 운영 공간 사상

작업 공간에서 정의되는 힘과 토크를 관절 공간으로 사상하는 작용도 선형 변환이다. 가상 일의 원리에 의해 다음 관계가 성립한다.

$\boldsymbol{\tau} = J^{\top}(q) \mathbf{F}$

이 사상의 선형성은 힘과 토크의 중첩 원리를 보장하며, 다중 작업 제어와 임피던스 제어의 기반이 된다.

13.4 센서 모델의 선형화

비선형 센서 모델 $\mathbf{z} = h(\mathbf{x})$ 의 국소적 거동은 자코비안 $H = \partial h / \partial \mathbf{x}$ 를 통해 선형 사상으로 근사된다. 이 선형 근사는 확장 칼만 필터의 측정 갱신 단계와 비선형 최소 제곱 추정의 핵심이며, 선형 변환의 모든 도구를 적용 가능하게 한다.

13.5 동역학 모델의 매개변수 의존성

로봇 동역학의 매개변수 $\boldsymbol{\theta}$ 에 대한 의존성은 회귀자 형식 $\boldsymbol{\tau} = Y(q, \dot{q}, \ddot{q}) \boldsymbol{\theta}$ 으로 표현되며, 이는 매개변수 공간에서 토크 공간으로의 선형 사상을 정의한다. 이러한 선형성은 매개변수 식별을 표준 선형 최소 제곱 문제로 환원하는 핵심 성질이다.

13.6 모드 분해와 진동 해석

가요성 매니퓰레이터의 진동 해석에서 모드 좌표와 물리 좌표 사이의 변환은 모드 행렬에 의한 선형 사상이다. 이 선형 변환을 통해 결합된 진동 시스템이 독립적인 모드들의 직합으로 분해되며, 각 모드의 거동을 개별적으로 분석할 수 있다.

13.7 시각 사영 모델

핀홀 카메라의 사영 모델에서 동차 좌표를 사용하면 3차원 점에서 이미지 평면으로의 사상이 선형 변환의 형태로 표현된다. 이러한 선형화는 다중 시점 기하학과 카메라 보정의 모든 알고리즘의 기반이 되며, 기본 행렬과 호모그래피의 추정에 활용된다.

13.8 제어 시스템의 선형화

비선형 로봇 제어 시스템의 평형점 주변 거동은 선형화를 통해 분석된다. 이 선형 시스템은 공리적 의미의 선형 변환에 의해 결정되며, 안정성 분석, 제어기 설계, 가관측성과 가제어성 판정 등 모든 선형 시스템 이론의 도구가 적용된다.

참고문헌

Axler, S. (2015). Linear Algebra Done Right (3rd ed.). Springer.
Hoffman, K., & Kunze, R. (1971). Linear Algebra (2nd ed.). Prentice Hall.
Roman, S. (2008). Advanced Linear Algebra (3rd ed.). Springer.
Strang, G. (2023). Introduction to Linear Algebra (6th ed.). Wellesley-Cambridge Press.
Halmos, P. R. (1958). Finite-Dimensional Vector Spaces (2nd ed.). Van Nostrand.
Murray, R. M., Li, Z., & Sastry, S. S. (1994). A Mathematical Introduction to Robotic Manipulation. CRC Press.

Version: 1.0