Network-Realised Model Predictive Control Part II: Distributed Constraint Management

논문 요약: 네트워크 실현 모델 예측 제어 (NRMPC) - 분산 제약 관리

1. 문제 제기 (Problem)

분산 제어 시스템, 특히 차량 플라토닝 (Vehicle Platooning) 과 같은 상호 연결된 동적 시스템에서 모델 예측 제어 (MPC) 를 적용할 때 다음과 같은 주요 난제가 존재합니다:

• 확장성 및 계산 복잡도: 중앙 집중식 MPC 는 대규모 네트워크에서 계산 부하가 너무 커서 비실용적입니다.
• 제약 조건 관리: 분산 환경에서 지역적 제약 조건을 만족시키면서도 전역적 안정성과 재귀적 실현 가능성 (Recursive Feasibility) 을 보장하는 것은 매우 어렵습니다.
• 기존 방법의 한계: 기존 분산 MPC 기법들은 종종 정적 상태 피드백을 요구하거나, 복잡한 집합 불변성 (Set Invariance) 개념에 의존하며, 외부扰动 (Disturbance) 에 대한 강인한 제약을 다루기 어렵습니다. 또한, 일부 방법은 초기 조건에 대한 엄격한 가정을 요구하거나 통신 부하가 과도합니다.

이 논문은 이러한 문제들을 해결하기 위해 2 계층 제어 아키텍처를 제안하며, 특히 하위 계층의 동적 제어기 (NRF 기반) 와 상위 계층의 MPC 를 결합하여 제약 조건을 효율적으로 관리하는 방법을 다룹니다.

2. 방법론 (Methodology)

논문은 **Network Realisation Function (NRF)**을 기반으로 한 2 계층 제어 구조를 제시합니다.

• 제 1 계층 (하위 계층 - NRF 기반 제어):

  • 역할: 분산 동적 제어기로서, 외란 제거 (Disturbance Rejection) 와 참조 신호 추종 (Reference Tracking) 을 담당합니다.
  • 특징: NRF 기반 제어기는 시스템의 구조적 제약 (스파스성) 을 만족하며, 폐루프 시스템의 안정성을 보장합니다. 이 계층은 이미 설계되어 오프라인에서 구현됩니다.
  • 동작: 지역 상태 피드백과 이웃 노드의 명령 신호를 받아 제어 입력 $u_f$를 생성합니다.

• 제 2 계층 (상위 계층 - 분산 MPC):

  • 역할: 참조 관리자 (Reference Governor) 역할을 수행하며, 시스템이 물리적 제약 (상태 및 입력 제약) 을 위반하지 않도록 보장합니다.
  • 동작:
    • 제 1 계층의 제어기 상태 ($w$) 와 네트워크 상태 ($x$) 정보를 기반으로 예측 모델을 구성합니다.
    • 예측 모델: 제 1 계층의 폐루프 동역학을 기반으로 한 지역적 예측 모델을 사용하여, 외란과 초기 조건의 불확실성을 고려합니다.
    • 제약 조건: 전역 제약 조건을 지역적 집합 (Set-based) 으로 분해하여, 각 지역 MPC 가 독립적으로 해결할 수 있도록 합니다.
    • 신호 구성: 제어 입력을 $u = u_f + u_{s2}$ (로컬 보정) 와 $u_{s1}$ (이웃 간 통신을 통한 보정) 로 나누어, 제 1 계층의 동작을 최대한 방해하지 않으면서 제약 위반 시에만 개입하도록 설계합니다.

• 핵심 기법:

  • 집합 기반 방법 (Set-based Methods): 외란과 초기 조건의 불확실성을 집합 (Set) 으로 표현하고, Minkowski 합/차 연산을 사용하여 보수적인 제약 조건을 유도합니다.
  • 재귀적 실현 가능성 (Recursive Feasibility): 특정 조건 하에서 모든 시간 단계에서 최적화 문제가 해를 가질 수 있음을 이론적으로 보장합니다.
  • 오프라인 설계: 제 2 계층의 모든 집합 계산 및 파라미터 튜닝은 오프라인에서 수행되며, 온라인 계산 부하는 최소화됩니다.

3. 주요 기여 (Key Contributions)

1. 동적 제어기와의 통합된 제약 관리: 정적 피드백이 아닌 동적 제어기 (NRF) 와 결합된 MPC 프레임워크를 제안하여, 명령 제약 조건 만족을 보장합니다.
2. 완전한 분산 구현: 각 지역 (Area) 이 이웃 정보만을 사용하여 독립적으로 제어 명령을 계산할 수 있도록 설계되었으며, 전역적인 집합 불변성 계산 없이도 작동합니다.
3. 보안 메커니즘으로서의 MPC: MPC 를 주 제어기가 아닌 '안전 장치 (Safeguard)'로 설계하여, 제약 위반이 임박할 때만 개입하도록 함으로써 제 1 계층의 성능을 유지합니다.
4. 이론적 보장: 재귀적 실현 가능성과 전역 제약 조건 만족에 대한 엄밀한 이론적 증명을 제공합니다.
5. 계산 효율성: 복잡한 불변 집합 (Invariant Sets) 을 명시적으로 계산하지 않고, 다면체 내부 근사 (Polyhedral Inner-approximations) 를 사용하여 계산 복잡도를 줄였습니다.

4. 결과 (Results)

• 수치 시뮬레이션 (차량 플라토닝): 10 대의 차량으로 구성된 플라토닝 시나리오를 통해 제안된 방법의 유효성을 검증했습니다.
  • 성능: 차량 간 거리 (Interdistance) 와 속도, 입력 제약 조건을 모두 만족시키면서 외란 (선행 차량의 속도 변화) 에 강인하게 대응했습니다.
  • 제어 입력: 대부분의 시간 동안 2 계층 (MPC) 의 출력 ($u_{s1}, u_{s2}$) 은 0 에 가까웠으며, 제약 위반이 임박할 때만 활성화되어 제 1 계층의 성능을 방해하지 않았습니다.
  • 계산 시간: 각 차량의 MPC 서브컨트롤러 실행 시간이 샘플링 주기 (0.1 초) 보다 훨씬 짧아 (약 1~5 ms), 실시간 구현이 가능함을 확인했습니다.
• 비교 분석: 기존 분산 MPC 기법들 ([31, 28, 6, 10, 27] 등) 과 비교하여, 외부扰动 고려, 초기 조건 제약 완화, 통신 부하 감소, 그리고 안정성 보장 측면에서 우월함을 보였습니다.

5. 의의 및 결론 (Significance)

이 논문은 분산 제어 시스템에서 **구조적 설계 제약 (NRF 기반)**과 **시간 기반 제약 (MPC 기반)**을 성공적으로 분리 (Decouple) 하여 통합한 획기적인 접근법을 제시합니다.

• 실용성: 대규모 네트워크 시스템에서도 확장 가능 (Scalable) 하며, 오프라인 설계와 간단한 온라인 계산을 통해 실제 산업 적용 (예: 자율 주행 차량, 스마트 그리드) 에 높은 잠재력을 가집니다.
• 이론적 발전: 기존 분산 제어 이론의 한계 (정적 피드백 의존, 복잡한 집합 계산 등) 를 극복하고, 동적 제어기와 MPC 의 시너지를 통해 강인한 제약 관리 체계를 정립했습니다.
• 안전성: 시스템이 안전 제약 조건 내에서 운영되도록 보장하면서도, 불필요한 제어 개입을 최소화하여 시스템의 효율성을 극대화합니다.

결론적으로, 이 연구는 분산 모델 예측 제어의 실용적 적용을 위한 강력한 이론적 틀과 구현 방법을 제공하며, 복잡하고 상호 연결된 시스템의 제어 문제를 해결하는 새로운 패러다임을 제시합니다.