17.20 매개변수 불확실성의 정량화

1. 개요

로봇 동역학 모델의 정확성은 모델 구조의 타당성뿐 아니라 그 모델을 구성하는 수치 매개변수의 정확도에도 크게 의존한다. 링크 질량, 관성 모멘트, 질량 중심 위치, 기하학적 치수, 관절 마찰 계수 등은 제작 공차, 조립 편차, 재료 분포의 불균일, 센서 측정 한계, 환경 변동 등의 이유로 정확한 값을 알기 어렵다. 이러한 불확실성을 막연히 무시하거나 안전 여유만으로 처리할 경우 제어기의 강인성과 정밀도가 저하되므로, 매개변수 불확실성을 수학적 형식으로 정량화하는 절차가 필수적이다. 본 절에서는 정량화에 사용되는 대표적 프레임워크인 결정론적 경계 기법, 확률론적 기법, 집합 기반 기법, 공분산 전파 기법의 원리와 특성을 서술한다.

2. 매개변수 벡터의 정의와 명목 값

로봇의 동역학 매개변수 벡터 \theta \in \mathbb{R}^p는 다음과 같은 요소들로 구성된다.

\theta = [m_1, m_1 r_{c,1}^\top, \mathrm{vec}(I_1), \dots, m_n, m_n r_{c,n}^\top, \mathrm{vec}(I_n), F_{c,1}, F_{v,1}, \dots]^\top

여기서 m_i는 링크 질량, r_{c,i}는 질량 중심 벡터, I_i는 관성 텐서, F_{c,i}, F_{v,i}는 쿨롱 및 점성 마찰 계수이다. 공칭(nominal) 값 \theta_0는 CAD 모델, 제작 도면, 사전 식별 실험에서 도출되며, 실제 값 \theta는 \theta = \theta_0 + \Delta\theta의 형태로 표현된다. 정량화의 목표는 \Delta\theta의 크기, 분포, 또는 허용 집합을 수학적으로 기술하는 것이다.

결정론적 경계에 의한 정량화

가장 단순한 정량화는 각 매개변수에 대해 최대 허용 편차를 부여하는 구간 표현이다.

\theta_i \in [\theta_{i,0} - \delta_i, \theta_{i,0} + \delta_i], \qquad i = 1, \dots, p

이 표현은 구간 분석(interval analysis)의 대상이며, 구간 대수를 통해 동역학 방정식의 모든 항을 구간으로 전파하여 토크 잔여의 최악 경계를 산출할 수 있다. 또한 벡터 규범을 이용한 경계

\|\Delta\theta\| \le \rho_\theta

는 강인 제어 설계에서 리아푸노프 해석과 결합하여 제어 게인 설계 조건을 유도하는 데 사용된다. 구간 표현은 관측과 매개변수의 상관 구조를 반영하지 못한다는 한계가 있으므로 보수적인 설계를 초래하는 경향이 있다.

확률론적 정량화

확률론적 접근에서는 \Delta\theta를 확률 변수로 간주하고, 평균과 공분산을 포함한 확률 분포를 통해 불확실성을 기술한다.

\Delta\theta \sim \mathcal{N}(0, \Sigma_\theta)

공분산 \Sigma_\theta는 매개변수 간 상관 관계를 포함하며, 식별 실험에서 도출된 잔차의 통계적 분석으로부터 얻어진다. 최소자승 추정에서 매개변수의 추정 공분산은 다음과 같이 근사된다.

\hat{\Sigma}_\theta = \sigma^2 (Y^\top W Y)^{-1}

여기서 Y는 동역학 회귀자, W는 가중치 행렬, \sigma^2는 측정 잡음의 분산이다. 이 공분산은 피셔 정보 행렬의 역행렬로도 해석되며, 이는 각 매개변수의 식별 정밀도를 정량적으로 나타낸다. 확률론적 정량화는 칼만 필터링, 베이즈 추정, 확률적 강인 제어와 자연스럽게 연결된다.

집합 기반 정량화

매개변수가 반드시 가우스 분포를 따른다고 가정하기 어려운 경우, 집합 기반(set-membership) 기법이 사용된다. 타원체 집합은 다음과 같이 정의된다.

\mathcal{E}(\theta_0, P) = \{\theta \mid (\theta - \theta_0)^\top P^{-1}(\theta - \theta_0) \le 1\}

여기서 P는 양정치 형상 행렬이다. 박스, 다면체, 조노토프 집합도 사용되며, 각각은 계산 비용과 표현 정밀도 사이에서 상이한 균형을 제공한다. 이러한 집합은 경계 잡음을 가정한 집합 추정 기법과 자연스럽게 결합되며, 집합 내 모든 매개변수에 대해 제어기가 성능을 보장하도록 하는 강인 설계에 적용된다.

3. 물리적 타당성 제약

동역학 매개변수는 임의의 실수 값을 취할 수 없으며, 물리적 타당성(physical consistency)의 제약을 만족해야 한다. 대표적 조건은 다음과 같다.

m_i > 0, \qquad I_i = I_i^\top \succ 0, \qquad \lambda_{\min}(I_i) > 0

또한 관성 텐서는 삼각 부등식 조건 \lambda_j + \lambda_k \ge \lambda_l을 만족해야 하며(\lambda_j는 주관성 모멘트), 질량 중심은 링크의 물리적 경계 내에 위치해야 한다. Traversaro 등은 이러한 제약을 LMI(linear matrix inequality) 형태로 재구성하여 식별 문제를 볼록 최적화로 다룰 수 있음을 보였다. 매개변수 불확실성 집합은 이러한 물리적 제약과 교집합된 형태로 정의되어야 하며, 그렇지 않은 경우 물리적으로 불가능한 모델이 설계에 사용되는 문제가 발생한다.

동역학 방정식으로의 불확실성 전파

매개변수 불확실성은 관성 행렬, 코리올리 행렬, 중력 벡터, 마찰항의 모든 성분에 결합되어 동역학 방정식의 잔여 토크로 변환된다. 회귀자 Y를 이용하면 이는 명시적으로 다음과 같이 기술된다.

\Delta\tau = Y(q,\dot{q},\ddot{q})\, \Delta\theta

따라서 매개변수 불확실성의 토크 잔여에 대한 기여는 회귀자의 조건수와 운동 궤적에 민감하다. 이를 정량화하기 위해 다음과 같은 지표가 사용된다.

\sigma_{\tau}^2(t) = \mathrm{tr}\bigl(Y(t)\, \Sigma_\theta\, Y^\top(t)\bigr)

이 값은 주어진 상태에서 매개변수 불확실성이 유발하는 토크 분산의 상한을 나타내며, 강인 제어 게인 튜닝과 식별 궤적 최적화에 활용된다.

식별 가능성과 E-최적 설계

매개변수 불확실성 정량화의 정확성은 식별 실험의 설계에 의해 결정적으로 좌우된다. 피셔 정보 행렬 \mathcal{F} = Y^\top W Y의 조건수가 크면 일부 매개변수 방향에서 추정치의 분산이 커지므로, 실험 설계는 \mathcal{F}의 최소 고유치를 최대화하거나 결정을 최대화하는 A-최적, D-최적, E-최적 기준을 통해 수행된다. 이러한 기준에 기반해 여기 궤적(excitation trajectory)을 최적화하면 불확실성 타원체의 부피가 최소화되어 정량화의 정밀도가 향상된다.

몬테카를로 전파와 UT 기법

명시적 분석이 어려운 경우, 몬테카를로(Monte Carlo) 시뮬레이션을 통해 \Delta\theta의 샘플을 매개변수 분포로부터 추출하고 이를 동역학에 대입하여 토크와 상태의 불확실성을 경험적으로 추정한다. 이 방법은 비선형성과 비정규성을 그대로 반영하지만 계산 비용이 크다. 보다 효율적인 대안으로 무향 변환(unscented transform, UT)을 이용한 시그마 포인트 전파가 사용되며, 이는 평균과 공분산에 대해 2차 정확도를 보장하면서 샘플 수를 크게 줄인다.

온라인 불확실성 갱신

매개변수 불확실성은 정적인 특성이 아니라 운용 중 계속 갱신되어야 하는 정보이다. 재귀 최소자승법(recursive least squares)은 새로운 측정치가 유입될 때마다 매개변수 추정치와 공분산 P_k를 다음과 같이 갱신한다.

K_k = P_{k-1} Y_k^\top (Y_k P_{k-1} Y_k^\top + R)^{-1}

\hat{\theta}_k = \hat{\theta}_{k-1} + K_k (\tau_k - Y_k \hat{\theta}_{k-1})

P_k = (I - K_k Y_k) P_{k-1}

이와 같은 반복 갱신은 온도 변화, 마모, 적재 변화 등에 따른 매개변수 드리프트에 적응하게 하며, 공분산 P_k는 시간에 따라 축소되거나 망각 계수에 의해 다시 확장될 수 있다.

4. 본 절의 의의

본 절은 매개변수 불확실성을 막연한 설계 여유가 아닌 정량적 대상으로 다루기 위한 수학적 도구들을 체계적으로 제시한다. 결정론적 경계, 확률적 공분산, 집합 기반 표현, 물리적 타당성 제약, 회귀자 기반 전파, 실험 설계 최적화는 모두 연결된 개념이며, 후속 절에서 다룰 최소자승 식별과 동역학 모델의 강인 제어 설계에서 공통적으로 활용되는 기반을 형성한다.

5. 학습 권장사항

독자는 간단한 2자유도 매니퓰레이터에 대해 매개변수 공분산을 가정하고 토크 잔여의 분포를 몬테카를로 시뮬레이션으로 추정해 볼 것을 권장한다. 또한 D-최적 기준에 기반한 여기 궤적 설계 예제를 풀어 봄으로써 실험 설계가 정량화 정밀도에 미치는 영향을 체험할 수 있다. 물리적 타당성 제약을 LMI로 표현하고 볼록 최적화 도구로 해석하는 실습은 실제 로봇 식별 워크플로의 핵심을 이해하는 데 도움이 된다.

6. 참고 문헌

• Khalil, W., & Dombre, E. (2002). Modeling, Identification and Control of Robots. Hermes Penton Science.
• Swevers, J., Verdonck, W., & De Schutter, J. (2007). Dynamic model identification for industrial robots. IEEE Control Systems Magazine, 27(5), 58–71.
• Gautier, M., & Khalil, W. (1990). Direct calculation of minimum set of inertial parameters of serial robots. IEEE Transactions on Robotics and Automation, 6(3), 368–373.
• Traversaro, S., Brossette, S., Escande, A., & Nori, F. (2016). Identification of fully physical consistent inertial parameters using optimization on manifolds. IEEE/RSJ International Conference on Intelligent Robots and Systems.
• Ljung, L. (1999). System Identification: Theory for the User (2nd ed.). Prentice Hall.
• Walter, É., & Pronzato, L. (1997). Identification of Parametric Models from Experimental Data. Springer.
• Julier, S. J., & Uhlmann, J. K. (2004). Unscented filtering and nonlinear estimation. Proceedings of the IEEE, 92(3), 401–422.
• Boyd, S., El Ghaoui, L., Feron, E., & Balakrishnan, V. (1994). Linear Matrix Inequalities in System and Control Theory. SIAM.

version: 1.0