로봇이 장애물 사이를 빠르게 빠져나가거나, 미끄러운 지면 위에서도 균형을 잡는 모습을 보면 “저 동작을 어떻게 실시간으로 계산할까?”라는 의문이 들어요. 정답 중 하나가 바로 Model Predictive Path Integral(MPPI)예요. 비선형성과 노이즈가 심한 Physical AI 환경에서도 GPU 위에서 수천 개의 궤적을 동시에 굴려 최적의 행동을 뽑아내는 강력한 제어 알고리즘이죠. 이번 글에서는 MPPI의 수학적 토대부터 실제 로봇·자율주행에 어떻게 쓰이는지, 그리고 다른 MPC 기법과 어떤 차이가 있는지까지 깊이 있게 살펴볼게요.
MPPI란 무엇인가요? 샘플링 기반 MPC의 등장 배경
Model Predictive Path Integral 제어는 2016년 조지아공대 Evangelos Theodorou 교수 연구팀이 발표한 샘플링 기반 모델 예측 제어(MPC) 알고리즘이에요. 기존 MPC가 미분 가능한 비용 함수와 동역학을 가정하고 그래디언트로 풀어야 했다면, MPPI는 몬테카를로 샘플링으로 가능한 행동 시퀀스 수천 개를 동시에 시뮬레이션한 뒤, 비용에 따라 가중 평균을 내서 최적의 제어 입력을 얻어요.
이 방식 덕분에 미분 불가능한 비용 함수(예: 충돌 여부 0/1)나 강한 비선형 동역학(드론, 4족 로봇)도 자연스럽게 다룰 수 있어요. 특히 GPU 병렬화가 잘 어울려서, 실시간 50~100Hz 제어가 충분히 가능하답니다.
왜 “Path Integral”인가요?
이름의 “Path Integral”은 물리학자 리처드 파인만의 경로 적분 공식에서 빌려왔어요. 확률적 최적 제어(Stochastic Optimal Control) 문제의 해를, 가능한 모든 경로에 대한 적분 형태로 표현할 수 있다는 통찰에서 출발하죠. 핵심은 가치 함수의 지수에 비례하는 확률로 경로를 샘플링한다는 점인데, 이를 가중치 형태로 풀면 닫힌형 해(closed-form solution)가 등장해요.
전통 MPC와의 핵심 차이
일반적인 MPC(예: iLQR, DDP)는 동역학을 선형화하고 비용 함수를 2차 근사한 뒤 그래디언트 기반으로 푼다는 한계가 있어요. 반면 MPPI는 다음과 같이 동작해요.
- 그래디언트 불필요: 비용 함수가 미분 가능하지 않아도 사용 가능
- 병렬성 극대화: 한 번에 1,000~10,000개 궤적을 GPU에서 동시 시뮬레이션
- 다중 모드 대응: 여러 후보 경로 중 가장 좋은 것을 자연스럽게 선택
MPPI 알고리즘의 수학적 구조
MPPI를 제대로 이해하려면 확률적 최적 제어의 비용-가치 변환을 알아야 해요. 이름이 어렵게 들리지만, 단계별로 따라가면 의외로 직관적이에요.
1단계: 노이즈 주입과 궤적 샘플링
현재 시점에서 H 스텝 앞까지의 명목(nominal) 제어 시퀀스 u₀, u₁, …, u_{H-1}을 준비해요. 그 다음 각 스텝마다 가우시안 노이즈 ε을 더해 K개의 변형된 시퀀스를 만들어요. 각 시퀀스를 동역학 모델 f(x, u)에 굴려 K개의 미래 궤적을 얻어요.
여기서 노이즈 분산 Σ는 “얼마나 과감하게 탐험할지”를 결정해요. 분산이 작으면 보수적, 크면 모험적으로 탐색하죠.
2단계: 비용 함수 평가
각 궤적 k에 대해 누적 비용 S_k를 계산해요. 일반적으로 다음 항목을 더해요.
- 상태 비용: 목표 지점과의 거리, 자세 오차
- 제어 비용: 토크·전압 사용량(에너지 절약)
- 제약 위반 페널티: 충돌, 관절 한계 초과, 영역 이탈
3단계: 지수 가중 평균
최종 제어 입력은 다음 공식으로 계산돼요.
u*_t = Σ_k [w_k × (u_t + ε_k,t)] / Σ_k w_k, w_k = exp(-1/λ × (S_k – min S))
여기서 λ는 온도(temperature) 파라미터예요. 작을수록 “가장 좋은 궤적”에 가깝게 가중치가 쏠리고, 클수록 여러 궤적을 부드럽게 섞어요. 이 가중 평균이 다음 시점의 제어 입력이 되며, 한 스텝 진행 후 다시 같은 절차를 반복하는 receding horizon 구조로 동작해요.
Physical AI에서 MPPI가 빛나는 응용 사례
샘플링과 GPU 친화 구조 덕분에 MPPI는 다양한 Physical AI 영역에서 표준 도구로 자리 잡고 있어요.
오프로드 자율주행
조지아공대 AutoRally 프로젝트는 1/5 스케일 RC카로 시속 90km 이상의 드리프트 주행을 MPPI로 달성했어요. 노면이 거칠고 마찰계수가 시시각각 바뀌는 환경에서, 그래디언트 기반 MPC로는 처리하기 어려운 비선형 차량 동역학을 1,920개 샘플로 동시에 평가해 안정적인 컨트롤을 보여줬어요.
4족·휴머노이드 로봇 보행
보스턴 다이내믹스의 Spot이나 Unitree Go2 같은 4족 로봇에서, MPPI는 풋스텝 플래닝과 실시간 균형 제어에 활용돼요. 발이 미끄러지거나 한 다리가 닿지 않은 상황에서도, 수천 개의 “만약 이 다리를 여기에 디디면?” 시나리오를 동시에 평가해 가장 안정적인 동작을 선택할 수 있어요.
로봇 매니퓰레이션
NVIDIA Isaac Lab과 Storm 프로젝트는 GPU 가속 MPPI로 로봇 팔의 픽 앤 플레이스, 충돌 회피, 비정형 물체 조작을 처리해요. 학습 기반 정책(diffusion policy, VLA 모델)이 만든 거친 후보 행동을 MPPI로 정제해 실제 토크 명령으로 바꾸는 “학습+제어” 하이브리드 구조도 늘고 있어요.
드론과 UAV
좁은 통로를 통과하는 곡예 비행이나, 바람 외란이 큰 환경에서의 안정 호버링에 MPPI가 자주 쓰여요. 동역학이 강한 비선형이고 외란 모델링이 어려운 드론은, 확률적 샘플링으로 직접 굴려보는 MPPI 방식이 잘 어울리거든요.
구현 시 고려해야 할 실전 팁
이론은 깔끔하지만, 실제 로봇에 MPPI를 얹으려면 몇 가지 디테일을 챙겨야 안정적으로 동작해요.
샘플 수와 호라이즌 길이 균형
샘플 수 K는 보통 500~4,000개, 예측 호라이즌 H는 1~3초(50~150 스텝) 정도가 무난해요. K가 너무 작으면 좋은 행동을 못 찾고, 너무 크면 실시간성을 잃어요. GPU 메모리와 연산 시간을 측정하면서 균형점을 찾아야 해요.
온도 λ 튜닝
λ가 너무 작으면 한두 개 “좋은 샘플”에만 의존해 분산이 큰 제어 입력이 나와요. 반대로 너무 크면 모든 샘플을 평등하게 섞어 차별성이 사라져요. 비용 스케일의 1~10% 범위에서 시작하는 게 일반적이에요.
워밍 스타트와 시간적 평활화
매 스텝마다 명목 시퀀스를 처음부터 만들지 않고, 직전 결과를 한 칸 시프트해 이어 쓰면 안정성이 크게 올라가요. 또한 출력 제어 입력에 저역통과 필터(예: 1차 IIR)나 평활화 항을 더하면 떨림(jitter)이 줄어들어요.
모델 오차에 대한 강건성
MPPI는 동역학 모델 정확도에 민감해요. 학습 기반 GP·뉴럴 동역학 모델과 결합하거나, 외란 추정기(disturbance observer)를 함께 쓰면 모델 미스매치에도 강한 제어가 가능해요. 최근에는 Tube-MPPI, Robust-MPPI 등 강건성을 보강한 변형도 활발히 연구되고 있어요.
MPPI의 한계와 미래 방향
강력한 알고리즘이지만 MPPI에도 약점은 분명해요. 첫째, 샘플 효율이 본질적으로 떨어져서 GPU 없이는 실시간 구동이 어려워요. 둘째, 안전성 보장(formal safety guarantee)이 기본적으로 제공되지 않아요. CBF(Control Barrier Function)나 제약 기반 보정을 덧붙이는 연구가 활발한 이유죠.
학습과의 결합: 차세대 트렌드
대규모 비전-언어-액션(VLA) 모델, Diffusion Policy 같은 학습 기반 정책이 “무엇을 할지”의 거친 의도를 만들고, MPPI가 “어떻게 실제 토크로 옮길지”를 책임지는 구조가 떠오르고 있어요. NVIDIA, Toyota Research Institute, DeepMind 등이 이런 하이브리드 시스템을 활발히 발표하고 있어요.
분산형·계층형 MPPI
로봇 팔 여러 대가 동시에 움직이는 협업 시나리오에서는, 전체를 한꺼번에 풀기보다 계층적 MPPI로 분할 정복하는 접근이 나오고 있어요. 또한 양자 컴퓨팅·뉴로모픽 칩 위에서의 가속 연구도 초기 단계지만 흥미로운 가능성이에요.
마무리: 왜 지금 MPPI를 알아야 할까요?
Physical AI는 단순한 시뮬레이션을 넘어, 실제 세계에서 안전하게 작동하는 로봇·드론·자율주행 시스템을 만드는 단계로 빠르게 이동하고 있어요. 그 중심에는 학습 모델의 의도를 물리적으로 안전하게 실행해 줄 제어 알고리즘이 필요한데, MPPI는 GPU 시대에 가장 자연스럽게 어울리는 후보 중 하나예요. 비선형성과 노이즈를 두려워하지 않고, 학습 기반 정책과도 깔끔하게 결합되는 이 알고리즘은 앞으로 수년간 Physical AI 스택의 핵심 부품으로 자리 잡을 가능성이 커요. 직접 구현해 보고 싶다면 NVIDIA Isaac Lab이나 오픈소스 “mppi_torch” 같은 프로젝트부터 시작해 보길 추천해요.
Model Predictive Control – Wikipedia 문서에서 MPC의 일반 이론을, Williams et al. (2017) – Information Theoretic MPC 논문에서 MPPI의 원전 수식을 더 깊이 살펴볼 수 있어요.