[논문 리뷰] Learning-Based Safety-Stability-Driven Control for Safety-Critical Systems under Model Uncertainties

Lei Zheng, Jiesen Pan외 3명|arXiv (Cornell University)|2020. 08. 08.

Advanced Control Systems Optimization참고 문헌 20인용 수 4

한 줄 요약

이 논문은 모델 불확실성이 존재하는 비선형 안전기준 시스템을 위한 학습 기반 안전-안정성 주도 제어(LBSC) 프레임워크를 제안한다. 가우시안 프로세스(GPs)를 활용해 모델 오차의 불확실성 범위를 온라인으로 추정함으로써, LBSC는 제어 장벽 함수(CBFs)를 통한 안전성 확보, 제어 라플라스 함수(CLFs)를 통한 추적 안정성 확보, 그리고 입력 제약 조건을 동시에 만족하는 2차 프로그래밍(QP)을 구성한다. 이로 인해 모델 불확실성이 존재하는 연결형 크루즈 컨트롤 시뮬레이션 환경에서 실시간으로 안전하고 높은 성능을 발휘하는 제어가 가능해졌으며, 안전성은 보장되고 추적 정확도가 향상되었다.

ABSTRACT

Safety and tracking stability are crucial for safety-critical systems such as self-driving cars, autonomous mobile robots, industrial manipulators. To efficiently control safety-critical systems to ensure their safety and achieve tracking stability, accurate system dynamic models are usually required. However, accurate system models are not always available in practice. In this paper, a learning-based safety-stability-driven control (LBSC) algorithm is presented to guarantee the safety and tracking stability for nonlinear safety-critical systems subject to control input constraints under model uncertainties. Gaussian Processes (GPs) are employed to learn the model error between the nominal model and the actual system dynamics, and the estimated mean and variance of the model error are used to quantify a high-confidence uncertainty bound. Using this estimated uncertainty bound, a safety barrier constraint is devised to ensure safety, and a stability constraint is developed to achieve rapid and accurate tracking. Then the proposed LBSC method is formulated as a quadratic program incorporating the safety barrier, the stability constraint, and the control constraints. The effectiveness of the LBSC method is illustrated on the safety-critical connected cruise control (CCC) system simulator under model uncertainties.

연구 동기 및 목표

• 정확한 시스템 모델이 확보되지 않은 상황에서 안전기준 시스템의 안전성과 추적 안정성을 유지하는 데 도전하는 문제를 해결하기 위해.
• 모델 불확실성과 제어 입력 제약 조건 하에서 안전성 보장과 고성능 추적 간의 트레이드오���을 매개하기 위해.
• 온라인 불확실성 추정을 통해 미지의 시스템 동역학에 동적으로 적응하는 학습 기반 제어 프레임워크를 개발하기 위해.
• 모든 환경에서 안전성이 위반되지 않도록 하면서도, 불확실한 환경에서도 빠르고 정확한 추적 성능을 유지하기 위해.
• 비선형 시스템의 불확실한 동역학을 고려한 안전-안정성 제어의 실시간 적용 가능성을 확보하기 위해.

제안 방법

• 가우시안 프로세스(GPs)를 사용해 노미널 시스템 모델과 실제 시스템 동역학 간의 모델 오차를 실시간으로 학습하고 추정한다.
• GPs의 예측 평균과 분산을 활용해 모델 오차에 대한 고신뢰도 불확실성 범위(D)를 구성한다.
• 추정된 불확실성 범위를 기반으로 제로잉 제어 장벽 함수(ZCBFs)를 사용해 안전성 확보를 위한 제약 조건을 유도한다.
• 빠르고 정확한 추적 성능을 달성하기 위해 제어 라플라스 함수(CLFs)를 활용해 안정성 제약 조건을 구성한다.
• 안전성 장벽, 안정성 제약 조건, 제어 입력 제약 조건을 통합한 제약 조건이 부여된 2차 프로그래밍(QP)으로 LBSC 컨트롤러를 구성한다.
• QP는 매 50 Hz의 빈도로 실시간으로 풀리며, 단계당 평균 2.45 ms의 솔루션 시간을 기록한다.

실험 결과

연구 질문

• RQ1 모델 불확실성이 존재하는 비선형 안전기준 시스템에서 안전성과 추적 안정성을 동시에 보장할 수 있는 방법은 무엇인가?
• RQ2 가우시안 프로세스가 제어 응용 분야에서 실시간으로 모델 오차의 불확실성 범위를 효과적으로 추정할 수 있는가?
• RQ3 충돌이 발생할 경우 안전성과 고성능 추적 간의 트레이드오프를 어떻게 동적으로 해결할 수 있는가?
• RQ4 GPs 기반의 불확실성 추정과 CBF-CLF-QP 구성 방식을 통합한 학습 기반 제어 프레임워크의 성능은 어떠한가?
• RQ5 제안된 방법은 불확실한 동적 환경에서 실시간 제어를 수행하면서도 안전성을 보장하고 추적 정확도를 향상시킬 수 있는가?

주요 결과

• 모든 시뮬레이션 단계 동안 LBSC 방법은 자율주행차와 앞서가는 차량 간의 간격을 25~100미터의 안전 범위 내에서 유지했으며, 갑작스러운 감속 상황에서도 성공적으로 작동했다.
• 차량 가속도의 모델 오차는 항상 GPs가 추정한 고신뢰도 불확실성 범위 내에 존재하여, GPs 기반의 불확실성 추정 정확도가 검증되었다.
• 모든 단계에서 LBSC 컨트롤러는 GPAS 방법보다 목표 속도(20 m/s)에 더 빨리 수렴했으며, 평균 절대 오차(MAE)도 낮게 기록했다.
• 2단계에서는 선도 차량이 급감속했으나, LBSC 방법은 안전성을 우선시하여 MAE는 높아졌지만 안전 제약 조건을 철저히 준수했다. 반면 LBSC-N 버전은 안전 제약을 위반하였다.
• LBSC 컨트롤러는 GPAS 방법보다 더 부드러운 제어 입력(바퀴 힘)과 속도 프로파일을 생성하여 제어의 강건성이 향상됨을 보여주었다.
• QP의 평균 솔루션 시간은 2.45 ms였으며, 단계당 총 제어 지연 시간은 9.8 ms로, 50 Hz 제어 주파수에서 실시간 운영이 가능했다.