노이즈 수준에 관계없는 효율적 로봇 계획을 위한 확률 최적 제어 디커플링

본 논문은 로봇이 불확실한 환경에서 목표를 달성하기 위해 수행해야 하는 계획·제어 문제를 확률 최적 제어(framework of stochastic optimal control)로 공식화한다. 일반적인 확률 최적 제어는 동적 프로그래밍(DP) 형태의 Bellman 방정식을 풀어야 하는데, 상태·제어 차원이 증가함에 따라 계산 복잡도가 지수적으로 상승하는 ‘차원의 저주’를 겪는다. 이를 극복하기 위해 저자들은 기존에 제안된 “디커플링 원리”(decoupling principle)를 확장한다. 디커플링 원리는 시스템의 잡음 스케일 ε가 충분히 작을 때, 최적 비용 Jπ 를 명목(오픈‑루프) 비용 J와 선형 피드백에 의한 비용 변동 δJ₁, 그리고 고차항 δJ₂ 로 분해할 수 있음을 보인다. 평균 비용은 J에 의해 주도되고, 비용의 분산은 선형 시스템에 의해 결정되므로, 오픈‑루프 경로와 선형 피드백을 별도로 설계해도 전체 비용에 대한 근사 최적성을 유지한다는 것이 핵심이다. 논문은 이 이론을 두 단계 알고리즘에 적용한다. 첫 단계는 잡음이 없는 가정 하에 deterministic optimal control problem (Equation 4)을 풀어 nominal trajectory와 제어 입력을 얻는다. 두 번째 단계에서는 nominal 경로를 기준으로 시스템을 선형화하고, LQR(Linear Quadratic Regulator) 형태의 비용 (Equation 6)을 최소화하는 피드백 Kₜ를 설계한다. 이렇게 하면 실행 중 발생하는 작은 편차는 피드백으로 즉시 보정된다. 하지만 실제 로봇 시스템에서는 잡음이 중·고 수준까지 커질 수 있다. 작은 편차를 피드백만으로 보정하기 어려운 경우, 저자들은 “재계획 트리거” 메커니즘을 도입한다. 현재 실행 중인 피드백이 명목 비용 대비 사전에 정의된 임계값(예: 2%)을 초과하면, 새로운 nominal trajectory를 다시 계산한다. 이 과정은 이벤트 기반(event‑triggered)이며, 재계획이 필요할 때만 수행되므로 전체 계산 부하를 크게 낮춘다. 재계획이 빈번해지는 고잡음 구간에서도 계획 horizon이 자연스럽게 감소해, 최적화 문제 자체의 차원도 감소한다는 부가적인 장점이 있다. 다중 로봇 상황을 고려한 확장도 제시한다. 각 로봇은 전이 독립(transition‑independent)이며, 완전 관측된다고 가정한다. 공동 목표 비용을 최소화하는 joint open‑loop 문제(Equation 7)를 풀고, 이후 각 로봇에 대해 독립적인 LQR 피드백을 적용한다. 이 경우, 초기 공동 계획 이후 실행 단계에서 로봇 간 통신이 거의 필요 없으므로, 네트워크 부하가 크게 감소한다. 다만, 논문에서는 재계획 시점과 방법을 분산적으로 어떻게 결정할지는 다루지 않는다. 실험에서는 단일 로봇과 3대 로봇 협동 시나리오를 사용해 다양한 잡음 파라미터 ε(0.0 ~ 1.6)를 테스트했다. 비교 대상은 매 시간 단계마다 최적화 문제를 푸는 Model Predictive Control (MPC)이다. 결과는 다음과 같다. (1) 비용 비율 J/J̄(실제 실행 비용 대비 명목 비용)은 T‑LQR2(재계획 포함 디커플링) 가 대부분의 ε 구간에서 1에 가깝게 유지되어, 성능 손실이 거의 없음을 보여준다. (2) 재계획 횟수는 ε가 커질수록 증가하지만, 전체 계산 시간은 MPC 대비 30 ~ 70 % 절감된다. 특히 중간 잡음(ε≈0.4)에서는 재계획이 드물어 거의 연속적인 피드백만으로 충분하고, 계산 효율성이 크게 향상된다. (3) 고잡음(ε>1.0)에서는 재계획이 빈번해지지만, 계획 horizon 자체가 짧아져 전체 최적화 문제의 차원도 감소하므로, 여전히 MPC보다 효율적이다. 다중 로봇 실험에서도 동일한 경향이 관찰되었으며, 각 로봇이 독립적인 LQR 피드백을 적용함으로써 통신 없이 목표를 달성할 수 있었다. 결론적으로, 디커플링 원리는 작은 잡음 가정에 국한되지 않으며, 이벤트 기반 재계획과 결합될 때 다양한 잡음 수준에서 실시간 로봇 계획·제어에 적용 가능함을 입증한다. 이 접근법은 계산 복잡도를 크게 낮추면서도 near‑optimal 성능을 유지하므로, 고차원·고잡음 로봇 시스템, 특히 다중 로봇 협동 작업에 유망한 해결책이 된다.