KAYAP: 신경 미분 다양체를 통한 드론 안정성 강화

Source: Dev.to

개요

KAYAP은 NDM(Neural Differential Manifold) 로봇 스위트의 차세대 진화를 나타냅니다. 이전 NDM 버전은 연속적인 가중치 진화를 통한 순수 적응성에 초점을 맞추었지만, KAYAP은 특화된 경화 탄성 매니폴드 전략을 도입합니다. 목표는 단순히 적응하는 것이 아니라 물리적으로 혼란스럽고 고장이 잦은 환경에서도 보장된 생존성을 확보하는 것입니다.

탄성 매니폴드 제어

• 전통적인 신경 제어기는 절대적인 추력 값을 예측하므로 잡음이나 부분적인 하드웨어 고장에 취약합니다.
• KAYAP은 탄성 매니폴드 위에서 동작합니다:
  • AI는 안정적인 호버 값에 대한 ± delta 를 예측하며, 절대적인 모터 전력을 직접 출력하지 않습니다.
  • 가중치 업데이트는 탄성 범위 내에서 제한되어, 드론이 통제 불가능하게 뒤집히는 원인이 되는 가중치 폭주를 방지합니다.
• 센서 잡음이나 갑작스러운 모터 손실이 더 이상 치명적인 불안정성을 초래하지 않으며, 고전적인 신경 제어기의 “죽음의 나선” 문제를 직접 해결합니다.

모방 → 자율 파이프라인

1. 모방 단계 (첫 180 에피소드)
   • 고전적인 비례‑미분(PD) 제어기가 교사 역할을 합니다.
   • NDM은 보정 신호를 관찰하고 이를 내부 매니폴드 기하학에 매핑합니다.
2. 전환
   • 교사의 영향력이 점진적으로 감소합니다.
3. 자율 단계
   • NDM은 완전히 학습된 내부 “반사신경”에 의존해야 합니다.
   • 모든 학습 단계는 수학적으로 대칭을 유지하도록 거울 반사됩니다: 왼쪽으로 기울어진 돌풍에서 회복을 학습하면 자동으로 오른쪽으로 기울어진 경우에도 회복할 수 있습니다.

평가: 4단계 스트레스 관트

• Run 4는 진정한 경화 매니폴드의 벤치마크로 강조됩니다.
• Run 2와 3은 시스템 전체가 붕괴(시뮬레이션에서 추락하거나 극단적인 회전 발산)하면서 종료되었습니다.

우선 학습 결과

• AI는 목표 고도에 도달하기 전에 회전을 먼저 안정화했습니다.
• 최종 롤: 손상된 모터 조건에서 0.008 rad

가중치 안정성 지표

• 고관성: 0.98
• 낮은 학습률: 0.0005
• 내부 매니폴드 기하학은 극한 물리적 스트레스 하에서도 안정적으로 유지되었습니다.

신경 미분 매니폴드에 대한 통찰

• NDM은 단순히 제어 출력을 학습하는 것이 아니라 반응의 기하학을 학습합니다.
• 균형 잡힌, 극단적이며 대칭적인 궤적에 대해 훈련될 때, 매니폴드는 방해, 비대칭 및 부분 시스템 고장을 견딜 수 있는 안정적인 탄성 구조로 경화됩니다.
• 반대로, 데이터가 부족하거나 편향된 경우에는 취약한 매니폴드 기하학이 형성되어, 스트레스 상황에서 폭주 동역학 및 치명적인 고장을 초래합니다.

결론

KAYAP은 로봇 안정성이 단순히 빠른 반응에만 의존하는 것이 아니라 학습 매니폴드 자체를 기하학적으로 경화하는 것임을 보여줍니다. 잘 훈련된 Neural Differential Manifold은 목표를 무작정 추구하기보다 자신의 구조적 생존을 우선시합니다.

소스 코드 및 실험

https://github.com/hejhdiss/ndm-applications-robotics