Distributed model predictive control without terminal cost under inexact distributed optimization

기술 요약: 불완전한 분산 최적화 하에서의 종단 비용 없는 분산 모델 예측 제어

문제 정의
본 논문은 결합된 제약 조건이 있는 분산 선형 이산 시간 시스템의 제어를 다룹니다. 주요 과제는 종단 비용(terminal cost)이나 종단 집합(terminal set)에 의존하지 않고도 폐루프 안정성을 보장하는 분산 모델 예측 제어(DMPC) 기법을 설계하는 것입니다. 전통적인 DMPC 접근 방식은 안정성을 보장하기 위해 분리 가능한 종단 비용 및 종단 집합에 의존하는 경우가 많으나, 제약 조건이 모든 상태 변수를 포함하고 쉽게 분리될 수 없는 경우 이러한 방식은 호환성 문제를 겪을 수 있습니다. 또한, 실제 실시간 응용 분야에서 분산 최적화 알고리즘은 계산적 또는 통신적 제한으로 인해 반복 계산을 조기에 종료하여 "불완전한(inexact)" 최소화를 초래할 수 있습니다. 이러한 조기 종료는 최적화 과정 중 제약 조건 위반을 야기할 수 있으며, 이는 안전이 중요한 시스템에서 매우 치명적입니다. 본 논문은 불완전한 분산 최적화 하에서도 안정성을 보장하고 최적화 반복 과정 동안 타당성(feasibility)을 유지하는 병렬 DMPC 접근 방식을 개발하는 것을 목표로 합니다.

방법론
제안된 프레임워크는 세 가지 핵심 구성 요소인 새로운 안정성 정식화, 분산 합성 접근 방식, 그리고 위반 없는 최적화 알고리즘을 통합합니다.

1. 종단 비용 없는 안정성:
   저자들은 종단 비용을 사용하는 대신, **완화된 동적 계획법(Relaxed Dynamic Programming, RDP)**에 기반한 명시적인 안정성 조건을 도입합니다. 각 에이전트 $i$에 대해, 로컬 최적화 문제에 다음과 같은 추가 부등식 제약 조건이 추가됩니다:
   $$\ell_i(x_i(k+N|k), u_i(k+N|k)) \leq (1-\alpha)\|x_i(k)\|^2_{Q_i} + v_i(k)$$
   여기서 $\ell_i$는 단계 비용(stage cost), $\alpha \in (0,1]$는 완화 파라미터, $v_i(k)$는 슬랙 변수(slack variable)입니다. $\sum v_i(k) \leq 0$이라는 전역 제약 조건은 로컬 비용의 합이 전체 시스템의 리아푸노프 함수(Lyapunov function) 역할을 하도록 보장합니다. 이 정식화는 종단 비용이나 종단 집합을 설계할 필요 없이 폐루프 시스템의 안정성을 보장할 수 있게 합니다.

2. 분산 합성:
   결합된 제약 조건과 새로운 안정성 제약 조건을 로컬에서 처리하기 위해 문제를 분해합니다. 저자들은 결합된 부등식 제약 조건을 분리하기 위해 슬랙 변수 $z^{[s]}$를 도입합니다. 전역 최적화 문제는 각 에이전트가 로컬 역학, 로컬 제약 조건, 그리고 슬랙 변수를 포함한 수정된 형태의 결합 제약 조건을 따르며 이차 비용을 최소화하는 로컬 하위 문제들로 재구성됩니다.

3. 위반 없는 분산 최적화:
   반복적인 최적화(불완전한 최소화) 중에 발생하는 제약 조건 위반 문제를 해결하기 위해, 본 논문은 제약 조건 축소(constraint tightening) 접근 방식을 제안합니다.

• 제약 조건 축소: 축소 파라미터 $\delta_s \in (0,1]$를 도입합니다. 최적화가 조기에 종료되더라도 원래 문제에 대해 타당한 해가 유지되도록 반복 과정 동안 제약 조건을 축소합니다.
• 적응형 업데이트: 분산 제약 조건의 배분을 에이전트 간에 업데이트하는 적응형 메커니즘을 채택합니다. 분산 제약 조건과 실제 제약 값 사이의 격차가 유의미할 경우, 타당성을 유지하기 위해 제약 경계값을 업데이트합니다.
• 알고리즘: 에이전트들이 로컬 볼록 최적화 문제를 반복적으로 풀고, 슬랙 변수 및 라그랑주 승수(Lagrange multiplier)에 관한 정보를 교환하며, 로컬 제약 조건을 업데이트하는 병렬 알고리즘(Algorithm 1)이 개발되었습니다. 이 알고리즘은 매 반복마다 실행 가능한 해가 존재함을 보장하며, 축소된 문제의 최적해로 수렴합니다.

주요 기여
본 논문의 구체적인 기여는 다음과 같습니다:

1. 새로운 DMPC 정식화: 종단 비용가 없는 DMPC 접근 방식의 개발. RDP에서 유도된 명시적 안정성 조건이 추가 제약 조건으로 포함되어, 분리 가능한 종단 비용 및 종단 집합의 필요성을 제거했습니다.
2. 로컬 안정성 처리: 슬랙 변수를 사용하여 각 에이전트가 안정성 제약 조건을 로컬에서 처리할 수 있도록 하는 분산 합성 접근 방식의 도입.
3. 위반 없는 최적화: 반복 과정 동안 타당성을 보장하는 분산 최적화 방법의 개발. 이는 제약 조건 축소와 적응형 업데이트 메커니즘을 통해 달성되며, 조기 종료된 분산 최적화에서 흔히 발생하는 제약 위반 문제를 해결합니다.
4. 이론적 보장: 제안된 최적화 문제가 볼록(convex)하며, 분산 합성이 매 반복마다 원래 문제에 대한 실행 가능한 해를 생성함을 증명했습니다. 이론적 분석을 통해 폐루프 시스템이 안정적이며 비용 함수가 단조 감소함을 확인했습니다.

결과
제안된 접근 방식은 고속도로에서 리더 차량을 추종하는 세 대의 자율 주행 차량 플래툰(platoon)을 포함하는 수치 예제를 통해 검증되었습니다.

• 시뮬레이션 설정: 시스템은 리더 차량 한 대와 결합된 거리 제약, 속도 제한, 제어 입력 제한을 가진 세 대의 팔로워 차량으로 구성되었습니다. 목표는 원하는 거리와 속도를 유지하는 것입니다.
• 성능: 시뮬레이션은 다양한 예측 지평($N$)과 RDP 파라미터($\alpha$)에 대해 200 제어 단계 동안 수행되었습니다.
  • 안정성: 단계별 비용이 0으로 수렴하였고, 속도 및 위치 추적 오차가 유계(bounded)로 유지되어 폐루프 안정성을 입증했습니다.
  • 타당성: 본 방법은 표준적인 방식들이 실패할 수 있는 다양한 지평 길이 및 $\alpha$ 값(예: $N=5, \alpha=0.5$)에서도 실행 가능한 해를 성공적으로 찾아냈습니다.
  • 트레이드오프(Trade-offs): 결과는 더 큰 지평($N$)과 더 작은 $\alpha$ 값이 계산 시간은 증가시키지만, 일반적으로 성능(낮은 총 비용)과 인력 영역(region of attraction)을 개선한다는 것을 보여주었습니다.
  • 병렬 계산: 시뮬레이션은 각 에이전트가 자신의 제어 입력을 병렬로 계산할 수 있음을 확인하여, 합성의 분산적 특성을 검증했습니다.

의의 및 주장
본 논문은 개발된 분산 MPC 접근 방식이 표준적인 종단 비용 기반 방식에 대한 강력한 대안을 제공한다고 주장합니다. 종단 비용에 대한 의존성을 제거함으로써, 이 방법은 결합된 제약 조건이 있는 시스템에서 종단 집합을 분리할 때 발생하는 호환성 문제를 피할 수 있습니다. 결정적으로, 제안된 "위반 없는" 최적화 방식은 최적화가 실시간 제한으로 인해 조기에 종료되더라도 안전이 중요한 시스템이 제약 조건을 위반하지 않도록 보장합니다. 저자들은 이 접근 방식가 모든 실행 가능한 제어 시퀀스에 대해 폐루프 안정성을 보장하는 동시에 에이전트 간의 병렬 계산을 가능하게 한다고 명시합니다. 본 연구는 다중 에이전트 시스템을 위한 보다 실용적이고 안전한 분산 제어를 향한 단계로 제시되며, 비선형 시스템 및 불확실성 처리를 위한 프레임워크 확장 가능성을 향후 과제로 제안합니다.