⚡ electrical engineering

Simultaneous Online System Identification and Control using Composite Adaptive Lyapunov-Based Deep Neural Networks

본 논문은 심층 신경망의 모든 계층에 대한 복합 적응적 라야푸노프 기반 업데이트 법칙을 적용하여 불확실한 비선형 시스템에 대한 온라인 시스템 식별과 궤적 추적을 동시에 달성하는 새로운 제어 프레임워크를 제시함으로써, 간헐적인 상태 피드백 손실 동안에도 강인한 성능을 발휘하면서도 오차의 균일 최종 유계성과 지수 수렴을 보장한다.

원저자: Omkar Sudhir Patil, Emily J. Griffis, Wanjiku A. Makumi, Warren E. Dixon

게시일 2026-05-25

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Omkar Sudhir Patil, Emily J. Griffis, Wanjiku A. Makumi, Warren E. Dixon

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

로봇이 줄타기를 하도록 가르친다고 상상해 보세요. 이 로봇은 바람과 중력이 자신을 어떻게 밀고 당길지 추측하여 균형을 잡을 수 있도록 하는 "뇌"(심층 신경망, 또는 DNN) 를 가지고 있습니다.

기존 방식의 문제점
전통적으로 엔지니어들은 이 로봇의 뇌를 오프라인으로 가르쳤습니다. 수천 번의 시뮬레이션을 실행해 로봇이 학습하게 한 뒤, 그 뇌를 고정시켰습니다. 일단 로봇이 실제 줄타기를 시작하면, 그 뇌는 더 이상 새로운 것을 배울 수 없습니다. 바람이 예상치 못하게 변하면, 적응하는 방법을 모르는 고정된 뇌 때문에 로봇이 떨어질 수 있습니다.

일부 새로운 방법들은 로봇이 걷는 동안 학습하도록 허용합니다. 그러나 이러한 방법들은 오직 한 가지, 즉 줄 위에 머무는 것에만 관심을 가집니다. 그들은 로봇이 떨어지지 않도록 뇌의 내부 설정을 최소한으로 조정할 뿐, 실제로 바람이 무엇을 하고 있는지 뇌에 가르치지 않습니다. 로봇이 upright(서 있을) 수는 있지만, 상황의 물리 법칙을 진정으로 "이해"하는 것은 아닙니다. 로봇이 잠시 균형 센서를 잃는다면(예를 들어 갑작스러운 정전과 같이), 바람을 예측하고 계속 나아가는 방법을 전혀 모릅니다.

새로운 해결책: "이중 임무" 뇌
이 논문은 로봇이 동시에 두 가지 것을 학습하는 새로운 방법을 소개합니다:

줄 위에 머무는 방법 (추적 제어).
바람이 실제로 어떻게 작용하는지 (시스템 식별).

시험을 치르는 학생을 생각해 보세요.

기존 방법: 학생은 시험의 특정 질문에 대한 답만 외웁니다. 선생님이 약간 다른 질문을 하면 학생은 낙제합니다.
이 논문의 방법: 학생은 시험 문제를 올바르게 답할 뿐만 아니라, 왜 그 답이 그런지 설명하는 상세한 학습 노트를 작성합니다. 나중에 선생님이 새로운 질문을 하더라도, 학생은 학습 노트를 이용해 그 답을 찾아낼 수 있습니다.

작동 원리 (비유)
저자들은 "이중 확인 시스템"처럼 작용하는 특별한 "학습 규칙"(적응 법칙) 을 만들었습니다:

"지금 당장" 확인 (추적 오차): 로봇은 자신이 현재 어디에 있는지와 있어야 할 위치를 비교합니다. 만약 벗어났다면, 경로를 수정하기 위해 뇌를 조정합니다. 이는 표준적인 방식입니다.
"만약에" 확인 (예측 오차): 이것이 마법 같은 부분입니다. 로봇은 로봇의 움직임에 기반하여 바람 힘이 어떻게 되어야 하는지 추측하는 특별한 "관측기"(두 번째 눈과 같은 역할) 를 가지고 있습니다. 이 추측을 로봇의 뇌가 바람이 어떻게 될 것이라고 예측한 내용과 비교합니다.
- 만약 뇌의 추측이 틀렸다면, 로봇은 경로만 수정하는 것이 아니라 미래에 추측이 더 정확하도록 뇌의 내부 규칙을 다시 씁니다.

이 두 가지 확인을 결합함으로써 로봇의 뇌는 진정한 전문가가 됩니다. 로봇은 단순히 서 있는 방법을 속이는 것이 아니라 시스템의 실제 물리 법칙을 학습하게 됩니다.

"손전등" 요구 사항 (자극의 지속성)
이 논문은 "자극의 지속성 (Persistence of Excitation, PE)"이라는 조건을 언급합니다. 어두운 방의 모양을 배우려 한다고 상상해 보세요. 만약 일직선으로만 걷는다면, 당신 앞의 바닥에 대해서만 배우게 됩니다. 방 전체를 배우려면 움직이고, 벽을 만지고, 다양한 방향을 바라봐야 합니다.

PE는 로봇이 충분히 움직여야 함을 의미합니다 (그저 가만히 있거나 지루한 루프를 도는 것이 아니라). 그래야 뇌가 바람과 중력의 전체 그림을 학습할 만큼 충분한 "데이터"를 얻을 수 있습니다. 로봇이 충분히 움직인다면, 학습은 놀랍도록 빠르고 정확해집니다.

초능력: 정전 생존
이 방법의 가장 큰 승리는 로봇이 센서를 잃었을 때(줄타기 센서가 꺼졌을 때) 발생합니다.

기존 방법: 센서가 고장 나면 로봇은 당황합니다. 바람을 모르기 때문에 떨어집니다.
이 방법: 로봇의 뇌가 이미 "학습 노트"(시스템 식별) 를 학습했기 때문에, 센서 없이도 바람이 무엇을 할지 예측할 수 있습니다. 센서가 다시 온라인이 될 때까지 학습된 모델을 사용하여 정전 중에도 걷기를 계속합니다.

결과
저자들은 이 방법을 로봇 팔 (공장 로봇과 유사) 과 수중 차량 두 가지에 대해 테스트했습니다.

정확도: 새로운 방법은 기존 방법보다 로봇을 경로에 훨씬 잘 유지시켰습니다.
이해: 로봇의 뇌는 시스템의 물리 법칙을 훨씬 더 정확하게 학습했습니다.
회복탄력성: 센서가 꺼졌을 때 (정전을 시뮬레이션), 새로운 방법은 로봇을 안정적으로 유지한 반면, 기존 방법들은 어려움을 겪거나 실패했습니다.

요약
이 논문은 로봇에게 실수에 반응할 뿐만 아니라, 게임을 하는 동안 게임의 규칙을 학습하는 뇌를 부여합니다. 이를 통해 로봇은 더 잘 수행하고, 환경을 깊이 이해하며, 일시적으로 감각을 잃더라도 계속 작동할 수 있습니다.

기술 요약: 복합 적응 리아푸노프 기반 심층 신경망을 이용한 동시 온라인 시스템 식별 및 제어

문제 정의
심층 신경망 (DNN) 기반 제어기는 불확실한 비선형 동적 시스템에 널리 사용되지만, 전통적인 접근법은 일반적으로 오프라인 사전 훈련에 의존합니다. 이러한 시나리오에서 DNN 가중치는 실행 중에 고정되어 적응성을 제한하며, 훈련 데이터셋 외부에서 작동할 때 모델 신뢰성에 대한 우려를 제기합니다. 최근 리아푸노프 기반 (Lb) 적응 제어 방법은 궤적 추적을 보장하기 위해 온라인 가중치 업데이트를 허용하지만, 추적 오차 피드백에만 의존합니다. 결과적으로 이러한 방법은 추적 오차 수렴을 보장하지만 시스템 식별 (매개변수 추정) 에 대한 보장은 제공하지 못합니다. 정확한 식별이 없으면 DNN 은 탐구되지 않은 궤적으로 일반화할 수 없으며, 제어기는 상태 피드백의 간헐적 손실 동안 불확실성을 효과적으로 보상할 수 없습니다. 또한, 추적 오차와 예측 오차를 결합하는 복합 적응 법칙을 DNN 으로 확장하는 것은 DNN 의 매개변수 내 비선형성 (NIP) 구조로 인해 기술적으로 어렵습니다. 여기서 내부 계층 가중치는 중첩된 비선형 활성화 함수 내에 내장되어 있습니다.

방법론
본 논문은 2 차 비선형 시스템에 대한 동시 온라인 시스템 식별 및 궤적 추적을 수행하는 복합 적응 Lb-DNN 제어기를 제안합니다. 핵심 방법론은 다음 구성 요소를 포함합니다:

동적 상태 미분 관측기: 직접 접근할 수 없는 알려지지 않은 상태 미분에 대한 예측 오차 (실제 동역학과 DNN 추정치 간의 차이) 를 얻는 어려움을 해결하기 위해 동적 상태 미분 관측기가 설계되었습니다. 이 관측기는 사용 가능한 상태 측정값과 제어 입력을 사용하여 드리프트 함수 $f(x, \dot{x})$ 를 추정하여 적응 법칙에서 알려지지 않은 상태 미분의 필요성을 효과적으로 제거합니다.
복합 적응 법칙: 관측기의 드리프트 추정을 기반으로 한 새로운 예측 오차 공식이 구성됩니다. 이 예측 오차는 추적 오차와 결합되어 NIP 불확실성에 적합한 최소 제곱 기반 복합 적응 법칙을 형성합니다.
NIP 구조 처리: DNN 의 중첩된 NIP 구조로 인한 문제를 극복하기 위해 적응 법칙은 DNN 의 가중치에 대한 야코비안을 활용합니다. DNN 출력에 1 차 테일러 급수 전개를 적용하여 예측 오차를 매개변수 추정 오차의 관점에서 표현함으로써, 비선형성에도 불구하고 적응 법칙을 공식화할 수 있게 합니다.
안정성 분석: 결합된 리아푸노프 기반 안정성 분석이 수행됩니다. 이 분석은 추적 오차, 상태 미분 추정 오차, DNN 가중치 추정 오차를 포함합니다. 매개변수 추정이 유계 집합 내에 유지되도록 투영 연산자를 사용하며, 망각 인자가 포함된 시간 가변 최소 제곱 이득 행렬을 사용합니다.

주요 기여
본 논문은 다음과 같은 주요 기여를 주장합니다:

동시 식별 및 제어에 대한 첫 번째 결과: 이 연구는 DNN 의 모든 층에 대한 온라인 업데이트를 사용하여 비선형 시스템에 대한 동시 온라인 시스템 식별 및 궤적 추적을 달성한 첫 번째 결과를 제시합니다.
새로운 예측 오차 공식: 동적 상태 미분 관측기에 기반한 예측 오차를 개발하여 추적 오차와 통합함으로써 NIP 불확실성에 적합한 복합 적응 법칙을 구성했습니다.
안정성 보장: 분석은 추적 오차, 상태 미분 추정 오차, DNN 가중치 추정 오차가 균일 최종 유계 (UUB) 임을 증명합니다.
PE 하의 지수 수렴: 지속성 자극 (PE) 조건 하에서 추적 및 가중치 추정 오차가 원점의 근방으로 지수적으로 수렴함이 입증되었습니다. 이 근방의 크기와 수렴 속도는 제어 이득과 PE 인자에 따라 결정됩니다.
간헐적 피드백을 위한 일반화: 정확한 시스템 식별을 달성함으로써, 식별된 DNN 모델은 충분한 체류 시간 조건이 충족되는 경우 상태 피드백의 간헐적 손실 동안 불확실한 동역학을 예측하고 보상하기 위해 시간 방향으로 전파될 수 있습니다.

결과
두 가지 시스템, 즉 2 링크 로봇 매니퓰레이터와 무인 잠수정 (UUV) 에 대해 비교 시뮬레이션이 수행되었습니다.

로봇 매니퓰레이터: 개발된 복합 적응 Lb-DNN 제어기는 추적 오차 기반 적응 Lb-DNN, 관측기 기반 외란 제거 제어기, 비선형 PD 제어기, 비선형 모델 예측 제어 (MPC) 보다 상당한 성능 개선을 보여주었습니다. 구체적으로, 복합 방법은 추적 오차 기반 기준선 대비 약 50% 의 평균 제곱근 (RMS) 추적 오차 감소를 달성했으며, 테스트 데이터셋에서 평균 함수 근사 오차를 72% 개선하여 우수한 일반화 능력을 나타냈습니다. 제어 노력은 기준선과 비슷하거나 더 낮았습니다.
무인 잠수정 (UUV): 상태 피드백의 간헐적 손실이 포함된 시뮬레이션에서 복합 적응 Lb-DNN 은 모든 기준선보다 우수한 추적 성능을 유지했습니다. 추적 오차 기반 방법은 매개변수 추정 보장이 부족하여 피드백 손실 동안 예측이 급격히 발산하는 반면, 복합 방법은 드리프트 동역학을 성공적으로 예측하고 보상했습니다. 관측기 기반 접근법은 피드백이 사용 가능할 때 기준선과 유사한 성능을 보였으나 피드백 손실 동안 성능이 크게 저하되었으며 더 높은 제어 노력을 요구했습니다.

의의
본 논문은 이 연구가 제어기가 궤적을 추적할 뿐만 아니라 근본적인 시스템 동역학을 학습하는 견고한 적응 제어로의 기초적인 단계임을 주장합니다. 매개변수 추정을 보장함으로써 식별된 모델은 탐구된 궤적을 넘어 일반화할 수 있는 능력을 얻습니다. 이 능력은 시스템이 안정성을 유지하기 위해 내부 모델에 의존해야 하는 간헐적 센서 고장이 발생하는 안전-중요 응용 분야에서 중요합니다. 결과는 추적 오차 최소화에만 초점을 맞춘 방법과 비교하여 복합 적응을 통해 시스템 식별을 제어 루프에 직접 통합함으로써 추적 정확도와 동적 보상 모두에서 실질적인 성능 향상을 가져온다는 것을 보여줍니다.

유사한 논문