14.43 연산 최적화와 행렬 분해 기법

1. 개요

매니퓰레이터의 동역학 계산에서 행렬 연산이 큰 비중을 차지한다. 효율적인 연산과 적절한 행렬 분해 기법은 계산 효율성을 결정한다. 본 절에서는 매니퓰레이터 동역학에서의 연산 최적화와 행렬 분해 기법을 다룬다.

2. 행렬의 종류와 성질

2.1 관성 행렬

매니퓰레이터의 관성 행렬 $\mathbf{M}(\mathbf{q})$ 는 다음의 성질을 가진다.

대칭: $\mathbf{M}^T = \mathbf{M}$
양정행렬: $\mathbf{x}^T\mathbf{M}\mathbf{x} > 0$ , $\forall \mathbf{x} \neq 0$
자세에 의존: $\mathbf{q}$ 의 함수

이 성질들은 효율적인 분해 기법의 적용을 가능하게 한다.

2.2 자코비안 행렬

자코비안 $\mathbf{J}(\mathbf{q})$ 는 일반적으로 직사각형이며, 매니퓰레이터의 잉여성에 따라 정사각형, 가로 직사각형(잉여), 세로 직사각형(부족)이 될 수 있다.

3. 행렬 분해 기법

3.1 콜레스키 분해

대칭 양정행렬에 대한 콜레스키 분해는 다음과 같이 표현된다.

$\mathbf{M} = \mathbf{L}\mathbf{L}^T$

여기서 $\mathbf{L}$ 은 하삼각 행렬이다. 콜레스키 분해는 LU 분해보다 약 두 배 빠르며 관성 행렬에 적합하다.

3.2 LDL 분해

LDL 분해는 콜레스키 분해의 변형으로, 다음과 같이 표현된다.

$\mathbf{M} = \mathbf{L}\mathbf{D}\mathbf{L}^T$

여기서 $\mathbf{L}$ 은 단위 하삼각 행렬이고 $\mathbf{D}$ 는 대각 행렬이다. 이 분해는 제곱근 계산을 피할 수 있다.

3.3 LU 분해

일반 행렬에 대한 LU 분해는 다음과 같다.

$\mathbf{A} = \mathbf{L}\mathbf{U}$

여기서 $\mathbf{L}$ 은 하삼각, $\mathbf{U}$ 는 상삼각이다.

3.4 QR 분해

QR 분해는 직사각형 행렬에 자주 사용된다.

$\mathbf{A} = \mathbf{Q}\mathbf{R}$

여기서 $\mathbf{Q}$ 는 직교 행렬이고 $\mathbf{R}$ 은 상삼각이다. 최소 제곱 문제와 자코비안의 처리에 사용된다.

3.5 특이값 분해

특이값 분해(SVD)는 다음과 같이 표현된다.

$\mathbf{A} = \mathbf{U}\boldsymbol{\Sigma}\mathbf{V}^T$

특이값 분해는 행렬의 계수, 의사 역행렬, 조건수 등의 분석에 강력하다. 계산 비용이 가장 높다.

4. 선형계의 풀이

4.1 일반 풀이 방법

매니퓰레이터의 순동역학 등에서는 선형계 $\mathbf{M}\ddot{\mathbf{q}} = \mathbf{b}$ 를 풀어야 한다. 일반적인 방법은 다음과 같다.

$\mathbf{M}$ 의 분해(콜레스키 또는 LDL)
전방 대입: $\mathbf{L}\mathbf{y} = \mathbf{b}$ 를 풂
후방 대입: $\mathbf{L}^T\ddot{\mathbf{q}} = \mathbf{y}$ 를 풂

4.2 효율성

콜레스키 분해의 복잡도는 $O(n^3/3)$ 이고, 후속 풀이는 $O(n^2)$ 이다. 따라서 큰 행렬에서는 분해가 지배적이다.

4.3 직접 역행렬과의 비교

행렬을 명시적으로 역행렬로 변환하는 것보다 LU 또는 콜레스키 분해를 사용하는 것이 일반적으로 더 정확하고 효율적이다.

5. 의사 역행렬

5.1 무어-펜로즈 의사 역행렬

직사각형 행렬 $\mathbf{J} \in \mathbb{R}^{m \times n}$ 의 의사 역행렬은 다음과 같이 정의된다.

오른쪽 의사 역행렬 ( $m < n$ , 잉여)

$\mathbf{J}^+ = \mathbf{J}^T(\mathbf{J}\mathbf{J}^T)^{-1}$

왼쪽 의사 역행렬 ( $m > n$ , 부족)

$\mathbf{J}^+ = (\mathbf{J}^T\mathbf{J})^{-1}\mathbf{J}^T$

5.2 정규화 의사 역행렬

특이성 부근에서 안정성을 위해 정규화 의사 역행렬이 사용된다.

$\mathbf{J}^* = \mathbf{J}^T(\mathbf{J}\mathbf{J}^T + \lambda^2\mathbf{I})^{-1}$

여기서 $\lambda$ 는 정규화 매개 변수이다.

5.3 가중 의사 역행렬

가중 의사 역행렬은 특정 방향에 우선순위를 부여한다.

$\mathbf{J}_W^+ = \mathbf{W}^{-1}\mathbf{J}^T(\mathbf{J}\mathbf{W}^{-1}\mathbf{J}^T)^{-1}$

6. 희소 행렬

6.1 매니퓰레이터의 희소성

가지 구조 또는 폐쇄형 연쇄의 매니퓰레이터에서는 관성 행렬이 희소할 수 있다.

6.2 희소 행렬 알고리즘

희소 행렬에 특화된 알고리즘이 사용되면 계산 효율이 크게 향상된다.

6.3 라이브러리

희소 선형 대수 라이브러리(예: CHOLMOD, SuiteSparse)가 사용된다.

7. 응용 라이브러리

7.1 일반 선형 대수 라이브러리

BLAS, LAPACK
Eigen
Armadillo

7.2 매니퓰레이터 동역학 라이브러리

Pinocchio
RBDL
KDL

이러한 라이브러리는 효율적인 행렬 연산과 동역학 알고리즘을 제공한다.

8. 응용

8.1 실시간 제어

실시간 제어에서는 효율적인 행렬 연산이 필수적이다.

8.2 매개 변수 식별

매개 변수 식별은 큰 선형계 또는 최소 제곱 문제의 풀이를 필요로 한다.

8.3 운동 계획

운동 계획 알고리즘에서 자코비안의 의사 역행렬과 관성 행렬의 처리가 자주 등장한다.

9. 본 절의 의의

본 절은 매니퓰레이터 동역학에서의 연산 최적화와 행렬 분해 기법을 다루었다. 효율적이고 정확한 행렬 연산은 동역학 계산의 기반이다.

10. 참고 문헌

Golub, G. H., & Van Loan, C. F. (2013). Matrix Computations (4th ed.). Johns Hopkins University Press.
Trefethen, L. N., & Bau, D. (1997). Numerical Linear Algebra. SIAM.
Featherstone, R. (2008). Rigid Body Dynamics Algorithms. Springer.
Strang, G. (2016). Introduction to Linear Algebra (5th ed.). Wellesley-Cambridge Press.

version: 1.0