30.21 뉴턴-랩슨(Newton-Raphson) 반복법

뉴턴-랩슨 반복법(Newton-Raphson iteration method)은 비선형 방정식의 근을 수치적으로 산출하는 학술적 표준 방법이며, 역기구학의 수치적 해결에서 광범위하게 활용된다. 본 절에서는 뉴턴-랩슨 방법의 학술적 정의, 역기구학에의 적용, 특성을 다룬다.

1. 학술적 기초

뉴턴-랩슨 방법은 비선형 함수 $\vec{g}(\vec{q}) = \vec{0}$ 의 근을 반복적으로 산출하는 방법이다.

1.1 역기구학의 문제 정식화

역기구학 문제는 다음과 같이 정식화된다.

$\vec{g}(\vec{q}) = \vec{f}(\vec{q}) - \vec{x}_d = \vec{0}$

여기서 $\vec{f}$ 는 순기구학 함수, $\vec{x}_d$ 는 원하는 엔드 이펙터 자세이다.

30.21.1.2 Taylor 전개

현재 관절 변수 $\vec{q}_k$ 에서의 1차 Taylor 전개는 다음과 같다.

$\vec{g}(\vec{q}_k + \Delta\vec{q}) \approx \vec{g}(\vec{q}_k) + \mathbf{J}(\vec{q}_k) \Delta\vec{q}$

1.2 반복 공식

$\vec{g}(\vec{q}_k + \Delta\vec{q}) = \vec{0}$ 으로 설정하면 다음 관계가 도출된다.

$\mathbf{J}(\vec{q}_k) \Delta\vec{q} = -\vec{g}(\vec{q}_k)$

따라서 반복 갱신 공식은 다음과 같다.

$\vec{q}_{k+1} = \vec{q}_k - \mathbf{J}^{-1}(\vec{q}_k) \vec{g}(\vec{q}_k) = \vec{q}_k + \mathbf{J}^{-1}(\vec{q}_k) (\vec{x}_d - \vec{f}(\vec{q}_k))$

2. 알고리즘

2.1 표준 알고리즘

초기 관절 변수 $\vec{q}_0$ 설정.
오차 산출: $\vec{e}_k = \vec{x}_d - \vec{f}(\vec{q}_k)$ .
자코비안 산출: $\mathbf{J}_k = \mathbf{J}(\vec{q}_k)$ .
관절 변수 갱신: $\vec{q}_{k+1} = \vec{q}_k + \mathbf{J}_k^{-1} \vec{e}_k$ .
$\|\vec{e}_k\| < \epsilon$ 일 때까지 2~4 단계 반복.

2.2 수렴 조건

수렴을 위해 다음 조건이 필요하다. 첫째, 초기값이 진정한 해 근방에 있어야 한다. 둘째, 자코비안이 해 근방에서 비특이이어야 한다.

3. 수렴 특성

뉴턴-랩슨 방법은 다음과 같은 수렴 특성을 가진다.

3.1 2차 수렴

해 근방에서 2차 수렴(quadratic convergence)을 보인다. 즉, 한 번의 반복마다 오차가 제곱 비율로 감소한다.

$\|\vec{e}_{k+1}\| \leq C \|\vec{e}_k\|^2$

30.21.3.2 빠른 수렴

2차 수렴으로 인해 매우 빠른 수렴 속도를 제공한다. 일반적으로 5 ~ 10회의 반복으로 수렴한다.

30.21.3.3 지역적 수렴

진정한 해로부터 너무 멀리 떨어진 초기값에서는 수렴이 보장되지 않는다.

30.21.4 특이점에서의 처리

자코비안이 특이한 점에서는 역행렬이 존재하지 않는다. 대안으로 다음이 활용된다.

30.21.4.1 의사 역행렬

무어-펜로즈 의사 역행렬을 활용한다.

30.21.4.2 감쇠 최소 제곱 (DLS)

Levenberg-Marquardt 알고리즘과 유사한 감쇠 항을 추가한다.

$\vec{q}_{k+1} = \vec{q}_k + (\mathbf{J}^T \mathbf{J} + \lambda^2 \mathbf{I})^{-1} \mathbf{J}^T \vec{e}_k$

4. Levenberg-Marquardt 방법

Levenberg-Marquardt(LM) 방법은 뉴턴-랩슨 방법과 경사 하강법의 혼합이다.

4.1 갱신 규칙

$\vec{q}_{k+1} = \vec{q}_k + (\mathbf{J}^T \mathbf{J} + \lambda \mathbf{I})^{-1} \mathbf{J}^T \vec{e}_k$

30.21.5.2 적응적 $\lambda$

$\lambda$ 가 크면 경사 하강법에 가깝고, 작으면 뉴턴-랩슨에 가깝다. 수렴 상황에 따라 $\lambda$ 를 적응적으로 조정한다.

30.21.5.3 안정성

특이점 근방에서 수치적 안정성을 제공하면서도, 해 근방에서 빠른 수렴을 보인다.

30.21.6 실무적 고려

30.21.6.1 자세 오차의 표현

자세 오차는 축-각 또는 사원수로 표현되어야 올바른 자코비안과 결합된다.

30.21.6.2 수렴 판정

오차의 노름 외에 상대적 오차, 관절 변수의 변화량 등을 함께 고려한다.

30.21.6.3 최대 반복 수

수렴이 어려운 경우 무한 루프를 방지하기 위해 최대 반복 수를 설정한다.

30.21.7 학술적 활용

뉴턴-랩슨 방법은 다음과 같은 영역에 활용된다. 첫째, 일반 매니퓰레이터의 수치적 역기구학. 둘째, 병렬 로봇의 순기구학 해결. 셋째, 캘리브레이션. 넷째, 최적화 기반 운동 계획.

30.21.8 학술적 의의

뉴턴-랩슨 반복법은 수치적 역기구학의 학술적 표준 방법이며, 그 빠른 수렴성으로 인해 실시간 응용에 적합하다. Levenberg-Marquardt 등의 확장과 결합되어 현대 로봇 공학의 광범위한 응용에서 활용된다.

출처

Dennis, J. E. Jr. and Schnabel, R. B., Numerical Methods for Unconstrained Optimization and Nonlinear Equations, SIAM, 1996.
Levenberg, K., “A method for the solution of certain non-linear problems in least squares”, Quarterly of Applied Mathematics, Vol. 2, No. 2, pp. 164–168, 1944.
Marquardt, D. W., “An algorithm for least-squares estimation of nonlinear parameters”, Journal of the Society for Industrial and Applied Mathematics, Vol. 11, No. 2, pp. 431–441, 1963.
Spong, M. W., Hutchinson, S., and Vidyasagar, M., Robot Modeling and Control, 2nd edition, Wiley, 2020.
Siciliano, B. and Khatib, O. (eds.), Springer Handbook of Robotics, 2nd edition, Springer, 2016.

버전

문서 버전: 1.0
작성일: 2026-04-18