33.5 특이값 분해(SVD)에 의한 특이점 분석

특이값 분해(Singular Value Decomposition, SVD)는 자코비안의 특이점 분석에서 가장 강력하고 일반적인 수학적 도구이다. SVD는 특이값과 특이 벡터를 통해 특이점의 기하학적 구조를 완전히 특성화한다. 본 절에서는 SVD에 의한 특이점 분석을 다룬다.

1. SVD의 기본

1.1 분해 공식

자코비안 $\mathbf{J} \in \mathbb{R}^{m \times n}$ 의 SVD는 다음과 같다.

$\mathbf{J} = \mathbf{U} \mathbf{\Sigma} \mathbf{V}^\top$

여기서 $\mathbf{U} \in \mathbb{R}^{m \times m}$ 과 $\mathbf{V} \in \mathbb{R}^{n \times n}$ 은 직교 행렬이고, $\mathbf{\Sigma}$ 는 대각 원소에 특이값을 가지는 행렬이다.

33.5.1.2 특이값

특이값 $\sigma_1 \geq \sigma_2 \geq \cdots \geq \sigma_r > 0$ ( $r = \text{rank}(\mathbf{J})$ )이 0이 아닌 특이값이다.

33.5.1.3 특이 벡터

$\mathbf{U}$ 의 열 벡터는 왼쪽 특이 벡터, $\mathbf{V}$ 의 열 벡터는 오른쪽 특이 벡터이다.

33.5.2 SVD 기반 특이점 판별

33.5.2.1 최소 특이값

최소 특이값이 0이면 특이점이다.

$\sigma_{\min}(\mathbf{J}) = 0 \iff \text{Singular}$

1.2 수치적 판별

수치 계산에서 $\sigma_{\min} < \epsilon$ 이면 특이점으로 간주한다.

1.3 계수 결손의 정도

0인 특이값의 수가 계수 결손의 정도이다.

2. 특이값의 기하학적 해석

2.1 운동 능력

큰 특이값에 대응하는 방향은 엔드 이펙터가 쉽게 움직이는 방향이다.

2.2 약한 방향

작은 특이값에 대응하는 방향은 운동이 어려운 방향이다.

2.3 불가능 방향

0인 특이값 방향은 순간적으로 운동 불가능한 방향이다.

3. 왼쪽 특이 벡터의 해석

3.1 작업 공간 방향

왼쪽 특이 벡터는 작업 공간의 방향을 나타낸다.

3.2 특이 방향

0인 특이값에 대응하는 왼쪽 특이 벡터가 특이 방향이다. 이 방향으로 엔드 이펙터가 운동할 수 없다.

3.3 기하학적 식별

특이 방향의 분석으로 특이점의 기하학적 원인을 파악할 수 있다.

4. 오른쪽 특이 벡터의 해석

4.1 관절 공간 방향

오른쪽 특이 벡터는 관절 공간의 방향을 나타낸다.

4.2 비기여 방향

0인 특이값에 대응하는 오른쪽 특이 벡터는 엔드 이펙터에 기여하지 않는 관절 속도 방향(영공간 방향)이다.

4.3 영공간 기저

여러 0인 특이값의 오른쪽 특이 벡터들이 영공간의 기저를 이룬다.

5. 특이값의 시간 진화

5.1 연속적 변화

관절 변수의 연속적 변화에 대해 특이값도 연속적으로 변화한다.

5.2 특이점 진입

특이값 중 하나가 0으로 접근하면서 특이점에 진입한다.

5.3 추적

실시간으로 특이값을 추적하여 특이점 근방을 감지한다.

6. SVD의 수치적 계산

6.1 알고리즘

SVD 계산에는 Jacobi 방법, 양방향 대각화 등의 알고리즘이 활용된다.

6.2 수치적 안정성

SVD는 수치적으로 가장 안정적인 분해 방법 중 하나이다.

6.3 계산 비용

SVD의 계산 비용은 $O(mn^2)$ ( $m \geq n$ 의 경우)이다.

7. SVD의 학술적 활용

7.1 의사 역행렬

Moore-Penrose 의사 역행렬이 SVD로 직접 계산된다.

$\mathbf{J}^+ = \mathbf{V} \mathbf{\Sigma}^+ \mathbf{U}^\top$

33.5.8.2 감쇠 최소 제곱법

DLS도 SVD 기반으로 해석된다.

33.5.8.3 선택적 DLS

선택적 DLS는 각 특이값에 다른 감쇠를 적용한다.

33.5.9 특이점 근방의 SVD 거동

33.5.9.1 특이값의 연속성

관절 변수에 대해 특이값이 연속적이다. 특이점에서만 0이 된다.

33.5.9.2 특이 벡터의 불연속성

특이점에서 특이 벡터가 불연속적일 수 있다.

33.5.9.3 수치적 문제

특이점 근방에서 특이 벡터의 계산이 수치적으로 불안정할 수 있다.

33.5.10 학술적 활용

본 절에서 다룬 SVD에 의한 특이점 분석은 현대 로봇 공학의 표준 도구이다. SVD의 풍부한 정보(특이값과 특이 벡터)를 활용한 특이점 분석은 학술적·실무적 로봇 제어의 핵심이다.

출처

Golub, G. H. and Van Loan, C. F., Matrix Computations, 4th edition, Johns Hopkins University Press, 2013.
Strang, G., Introduction to Linear Algebra, 5th edition, Wellesley-Cambridge Press, 2016.
Maciejewski, A. A. and Klein, C. A., “Numerical filtration for the operation of robotic manipulators through kinematically singular configurations”, Journal of Robotic Systems, Vol. 5, No. 6, pp. 527–552, 1988.
Siciliano, B., Sciavicco, L., Villani, L., and Oriolo, G., Robotics: Modelling, Planning and Control, Springer, 2009.
Nakamura, Y., Advanced Robotics: Redundancy and Optimization, Addison-Wesley, 1991.

버전

문서 버전: 1.0
작성일: 2026-04-18