PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.28364v1cs.RO

LEAP-CBF: 최소 노력 적대적 포텐셜(Least-Effort Adversarial Potentials)을 이용한 불확실 시스템용 안전 필터

LEAP-CBF: A Safety Filter for Uncertain Systems with Least-Effort Adversarial Potentials

제어 장벽 함수(Control Barrier Function, CBF)는 비선형 동역학 시스템의 안전성을 보장하기 위해 널리 쓰이는 안전 필터이다. 그러나 시스템에 불확실성과 외란이 존재할 때는 CBF의 강건(robust) 변형을 사용해야 하는데, 이러한 변형은 구성하기 어려울 수 있으며 특히 입력 제약이 있는 고차원 시스템에서는 지나치게 보수적일 수 있다. 본 연구에서는 이러한 문제를 해결하기 위한 새로운 접근법으로, 최소 노력 적대적 포텐셜(Least-Effort Adversarial Potentials, LEAP)을 제안한다. LEAP은 주어진 상태가 외란에 대해 갖는 강건성을, 외란이 실패를 일으키기 위해 필요한 노력의 크기로 정량화하는 인증서(certificate)이다. 우리는 LEAP이 외란이 없는 시스템에 대한 CBF임을 보이는 동시에, 누적 노력이 제한된 외란에 대해 강건한 안전 필터를 구성하는 데에도 사용될 수 있음을 보인다. 또한 온-정책(on-policy) 심층 강화학습(deep reinforcement learning)으로 LEAP을 구성하는 방법을 제안한다. 이어서 외란과 불확실성이 있는 다양한 멀티 에이전트 시스템에 대한 시뮬레이션에서 LEAP을 시연한다. 마지막으로, 사족보행 로봇과 쿼드로터를 이용한 하드웨어 실험을 통해 LEAP이 실제 로봇 시스템의 외란과 불확실성을 다루는 데 적합함을 검증한다.

arXiv:2607.24384v1cs.CV

수중 매니퓰레이터용 오일 충전 전기 관절 시스템의 주변압 보상 및 강건 위치 제어

Ambient pressure compensation and robust position control of oil-filled electric joint systems for underwater manipulators

전기 관절 시스템은 수중 매니퓰레이터의 구동, 드라이브 및 제어에 있어 중요한 구성 요소이다. 수중 환경에서 작동할 때 관절은 큰 주변압을 받는다. 이를 견디기 위해 주변압 보상 방법이 일반적으로 사용되지만, 가압된 오일은 밀봉 문제뿐 아니라 관절 동역학 모델에 대한 파라미터 불확실성 및 알려지지 않은 외란을 야기한다. 이러한 문제를 해결하기 위해 본 연구는 수중 오일 충전 전기 관절을 위한 설계 프레임워크를 제안한다. 주변압 보상 모듈의 동역학을 분석하고, 내부 유압 오일을 밀봉하기 위해 관절 구조를 최적화한다. 오일 충전 관절의 불확실성 동역학 모델을 수립하고, 구조화 특이값 합성(structured singular value synthesis, μ-합성)에 기반한 강건 위치 제어기를 설계한다. 실험 결과는 제안 방법의 타당성을 검증한다.

arXiv:2607.09736v1cs.RO

미분 가능 물리학 기반 재사용 발사체의 포화 인식 강인 궤적 최적화

Saturation-Aware Robust Trajectory Optimization for Reusable Launch Vehicles via Differentiable Physics

재사용 발사체의 고받음각 플립 기동(high-angle-of-attack flip maneuver)은 고도의 비선형 동역학, 공력 불확실성, 그리고 액추에이터 포화의 복합적 영향으로 인해 강인한 궤적 최적화에 상당한 어려움을 제기한다. 본 논문은 포화 인식 강인 궤적 최적화를 위한 미분 가능 물리학 프레임워크를 제안한다. 핵심으로, 앙상블 기반 분포 형성 전략을 통해 불확실성 전파를 최적화하는 미분 가능 파티클 튜브 제어(DPTC, Differentiable Particle Tube Control) 기법이 개발되었다. 상태 불확실성은 라그랑지안 파티클 앙상블로 표현되며, 엄격한 액추에이터 투영 연산자(hard actuator projection operators)가 계산 그래프에 직접 내장됨으로써, 명목 피드포워드 궤적과 시변 피드백 정책의 종단 간 역전파를 통한 결합 최적화가 가능하다. 제안된 프레임워크는 자동 미분 기반 순차 볼록화(AD-SCvx, Automatic Differentiation-based Successive Convexification) 기준선과 기존의 공분산 조종(covariance steering) 피드백 전략을 결합한 방식과 비교 평가된다. 6자유도 몬테카를로 시뮬레이션 결과, 기준선이 명목 연료 최적 해를 달성하는 반면, 비제약 피드백 구성이 공력 교란 하에서 액추에이터 포화에 취약해져 폐루프 강인성이 저하됨을 보인다. 이와 대조적으로, 제안된 DPTC 프레임워크는 중요한 제어 권한(control authority)을 보존하기 위해 공간 추적을 완화함으로써 제약 인식 성능 절충을 능동적으로 수행한다. 이러한 결과는 미분 가능 물리학과 앙상블 기반 최적화의 통합이 고도로 제약된 항공우주 비행 시스템에서의 강인한 유도(guidance)를 위한 효과적이고 실용적인 프레임워크를 제공함을 입증한다.

arXiv:2606.13605v1math.OC

기회 제약 강화학습을 통한 분포 무관 강건 궤적 최적화

Distribution-Agnostic Robust Trajectory Optimization via Chance-Constrained Reinforcement Learning

분포 무관(distribution-agnostic) 강건한 궤적 최적화를 위해 기회 제약 강화학습(chance-constrained reinforcement learning) 기반 프레임워크를 제안하며, 결정론적 명목 궤적을 구조화된 아핀 폐루프 보정 법칙으로 강화하여 확률적 실행 가능성을 유지하면서 다양한 우주선 궤적 계획 문제에서 경쟁력 있는 성능을 달성했다.