⚡ electrical engineering

Gaussian behaviors: representations and data-driven control

이 논문은 확률적 시스템의 유한 길이 궤적을 가우시안 과정으로 모델링하는 '가우시안 행동 (Gaussian behaviors)' 프레임워크를 제안하고, 이를 데이터 기반 예측 제어 (DeePC) 와의 관계를 규명하여 불확실성을 고려한 새로운 강인 제어 기법을 개발합니다.

원저자: András Sasfi, Ivan Markovsky, Alberto Padoan, Florian Dörfler

게시일 2026-04-02

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: András Sasfi, Ivan Markovsky, Alberto Padoan, Florian Dörfler

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

이 논문은 **"불확실한 미래를 예측하고, 그 안에서 가장 안전한 길을 찾아내는 새로운 방법"**에 대해 이야기합니다.

기존의 공학자들은 기계나 시스템을 제어할 때 "이 기계는 이렇게 움직일 거야"라고 정확한 답을 가정하고 설계했습니다. 하지만 현실 세계는 날씨나 교통 상황처럼 항상 예측 불가능한 변수들이 많습니다. 이 논문은 그 **불확실성 (Uncertainty)**을 무시하지 않고, 오히려 수학적으로 정교하게 다룰 수 있는 새로운 틀을 제안합니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. 핵심 개념: "구름 같은 행동 (Gaussian Behaviors)"

비유: 날씨 예보와 구름
기존의 방법들은 "내일 서울의 기온은 25 도일 것이다"라고 딱 잘라 말하는 **단단한 점 (Deterministic)**처럼 시스템을 보았습니다. 하지만 이 논문은 "내일 기온은 25 도일 가능성이 가장 높지만, 23 도에서 27 도 사이일 수도 있고, 비가 올 수도 있어"라고 **구름 (Gaussian/Normal Distribution)**처럼 퍼져 있는 상태로 봅니다.

구름 (Gaussian Behavior): 시스템이 미래에 어떻게 움직일지 하나의 선이 아니라, 확률의 구름으로 표현합니다. 이 구름의 중심은 가장 가능성 높은 경로이고, 구름의 넓이는 얼마나 불확실한지를 나타냅니다.
데이터로 구름 그리기: 우리는 과거의 데이터 (날씨 기록, 자동차 주행 기록 등) 를 모아서 이 '구름'의 모양을 직접 그릴 수 있습니다. 논문은 이 구름을 **공분산 (Covariance)**이라는 수학적 도구로 쉽게 계산할 수 있다고 말합니다.

2. 기존 방법 vs 새로운 방법

이 논문은 기존의 데이터 기반 제어 방법들을 이 '구름'의 관점에서 다시 해석합니다.

A. "확신에 찬 운전" (Certainty-Equivalence Control)

상황: 내비게이션이 "가장 확률이 높은 길은 A 도로야"라고 알려주면, 우리는 그 길만 믿고 운전합니다.
문제: 만약 A 도로에 갑자기 사고가 나면 (불확실성 발생), 우리는 당황합니다.
논문 해석: 기존에 쓰이던 '서브스페이스 예측 제어 (SPC)'라는 방법은 바로 이 가장 확률이 높은 길만 믿고 운전하는 방식과 같습니다.

B. "과도한 낙관주의" (Distributionally Optimistic Control - DeePC)

상황: "내비게이션이 A 도로라고 했지만, 내가 조금 더 운이 좋으면 B 도로가 더 빠를지도 몰라. 그래서 B 도로를 선택해서 시간을 아껴보자!"라고 생각하며 운을 부리는 방식입니다.
논문 해석: 기존에 'DeePC'라는 유명한 방법이 있었는데, 이 논문은 이것이 불확실성을 '낙관적으로' 해석하는 방식임을 밝혀냈습니다. 즉, "내 모델이 조금 틀릴 수도 있지만, 그 틀림 속에서 내가 가장 좋은 결과를 얻을 수 있는 경우를 상상해서 제어한다"는 뜻입니다.
- 장점: 때로는 놀라운 성과를 냅니다.
- 단점: 너무 운을 믿다가 큰 사고 (성능 저하) 를 당할 수 있습니다.

C. "새로운 제안: '방어적'인 운전" (Distributionally Robust Control)

상황: "내비게이션이 A 도로라고 했지만, 혹시 모르니까 **가장 나쁜 상황 (A 도로가 막히고 비도 오는 상황)**을 가정하고, 그 상황에서도 가장 안전한 길을 찾아보자."
논문 해석: 저자들은 낙관주의가 위험할 수 있다고 판단하고, 최악의 경우를 대비하는 새로운 방법을 제안했습니다.
- "내 예측 구름이 조금이라도 틀릴 수 있어. 그 틀림의 범위 내에서 가장 나쁜 결과가 나오지 않도록 제어 명령을 내리겠다."
- 이 방법은 수학적으로도 매우 깔끔하게 (볼록 최적화 문제) 풀 수 있어서 컴퓨터가 빠르게 계산할 수 있습니다.

3. 왜 이것이 중요한가요?

불확실성을 인정합니다: "모든 게 정확할 거야"라고 믿지 않고, "실수할 수 있어"라고 인정하고 그 실수 범위를 계산에 넣습니다.
데이터를 직접 활용합니다: 복잡한 물리 법칙을 다 알 필요 없이, 과거 데이터만 모으면 그 데이터의 패턴 (구름 모양) 을 바로 제어에 쓸 수 있습니다.
안전과 효율의 균형:
- 너무 보수적이면 비효율적이고, 너무 낙관적이면 위험합니다.
- 이 논문은 **DeePC(낙관적)**와 **새로운 방법(방어적)**을 연결하여, 사용자가 "얼마나 위험을 감수할지" (매개변수 조절) 를 선택할 수 있게 해줍니다.

요약

이 논문은 **"미래는 구름처럼 흐릿하다"**는 사실을 인정하고, 그 흐릿한 구름 속에서 데이터를 이용해 **가장 안전한 길 (최악의 경우를 대비한 제어)**을 찾는 새로운 지도 제작법을 제안했습니다.

기존: "이 길이 정답이야!" (단단한 점)
기존의 데이터 방법: "이 길이 정답일 테니, 운이 좋으면 더 빠를지도 몰라!" (낙관적)
이 논문의 제안: "이 길이 정답일 테지만, 혹시 모를 최악의 상황을 대비해서 이 길로 가자." (방어적이며 안전한)

이러한 접근법은 자율주행차, 스마트 그리드, 로봇 제어 등 예측 불가능한 환경에서 작동하는 시스템들을 훨씬 더 안전하고 똑똑하게 만드는 데 기여할 것입니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 최근 데이터 기반 제어 (Data-driven control) 는 행동론적 접근법 (Behavioral approach) 을 기반으로 선형 시불변 (LTI) 시스템을 식별 없이 직접 데이터로 표현하여 제어하는 방법론이 주목받고 있습니다. 기존 방법들은 주로 결정론적 (deterministic) 행동에 기반하며, 불확실성을 처리하기 위해 정규화 (regularization) 를 도입합니다.
문제점:
- 기존 행동론적 프레임워크는 본질적으로 결정론적이어서 확률적 시스템 (Stochastic systems) 을 직접 다루는 데 한계가 있습니다.
- 확률적 행동 (Stochastic behaviors) 에 대한 기존 연구들은 너무 추상적이거나 (하향식 접근), 다항식 카오스 전개 (Polynomial chaos expansions) 등을 사용하여 계산 복잡도가 높아 확장성이 떨어집니다.
- 데이터 기반 예측 제어 (DeePC 등) 에서 정규화 항의 통계적 의미가 불명확하며, 불확실성을 고려한 견고한 (Robust) 제어 프레임워크가 부족합니다.
목표: 유한 길이의 시스템 궤적을 가우시안 과정 (Gaussian process) 으로 모델링하는 새로운 프레임워크를 제안하고, 이를 통해 불확실성을 정량화하면서도 계산적으로 효율적인 데이터 기반 예측 제어 기법을 개발하는 것입니다.

2. 방법론 (Methodology)

저자들은 **"가우시안 행동 (Gaussian behaviors)"**이라는 새로운 모델링 프레임워크를 제안합니다.

가우시안 행동 정의:
- 시스템의 유한 길이 궤적 $w_{[t, t+L-1]}$ 을 다변량 가우시안 분포 $N(\mu_w, \Sigma_w)$ 로 정의합니다.
- 선형성 조건: 평균 $\mu_w$ 가 특정 부분공간 (subspace) 에 속하도록 제한하여 선형 시스템의 특성을 반영합니다.
- 데이터 추정: 관측된 데이터 행렬 $W$ 의 표본 공분산 행렬 $\hat{\Sigma}_w = \frac{1}{D}WW^\top$ 을 사용하여 공분산을 직접 추정합니다. 이는 최대 가능도 추정 (MLE) 과 일치합니다.
예측 모델 (Prediction):
- 과거 데이터 ( $w_{ini}$ ) 와 입력 ( $u_f$ ) 이 주어졌을 때, 미래 출력 ( $y_f$ ) 의 조건부 분포를 가우시안 분포의 조건부 확률 공식을 통해 계산합니다.
- 이를 통해 예측 분포의 평균 ( $\mu_{pred}$ ) 과 공분산 ( $\Sigma_{pred}$ ) 을 도출합니다.
제어 프레임워크 연결 및 확장:
1. 확신 등가 제어 (Certainty-Equivalence Control): 추정된 예측 분포의 평균만을 사용하여 비용을 최소화하는 방식입니다. 이는 기존 **서브스페이스 예측 제어 (SPC)**와 수학적으로 동등함을 보입니다.
2. 분포적 낙관적 제어 (Distributionally Optimistic Control): 예측 모델의 불확실성을 고려하여, 추정된 분포와 KL 발산 (Kullback-Leibler divergence) 이 일정 범위 ( $\epsilon$ $ϵ$ ) 내에 있는 분포 중에서 최악의 경우를 가정하지 않고 가장 낮은 비용을 주는 분포를 선택하는 방식입니다.
  - 결과: 이 접근법은 정규화된 DeePC (Data-enabled Predictive Control) 방법과 수학적으로 동등함이 증명되었습니다. 즉, DeePC 의 정규화 항은 분포적 낙관주의 (Distributional optimism) 를 구현하는 것으로 해석됩니다.
3. 분포적 강인 제어 (Distributionally Robust Control): 과도한 낙관주의를 완화하기 위해 제안된 새로운 방식입니다.
  - 추정된 분포와 KL 발산이 $\epsilon$ 이내인 모든 분포 중에서 최악의 경우 (Worst-case) 기대 비용을 최소화하는 Min-Max 문제를 풉니다.
  - 이 문제는 볼록 최적화 (Convex optimization) 문제로 재형성되어 효율적으로 해결할 수 있습니다.

3. 주요 기여 (Key Contributions)

새로운 모델링 프레임워크 제안:
- "가우시안 행동"을 정의하여, 결정론적 행동론과 확률적 상태공간 모델을 포괄하는 통합적인 관점을 제공합니다.
- 데이터를 통해 공분산 행렬을 직접 추정함으로써 불확실성을 정량화하는 간결한 방법을 제시합니다.
기존 제어 기법과의 이론적 연결:
- SPC 가 가우시안 행동 프레임워크 내의 확신 등가 제어임을 증명했습니다.
- DeePC 의 정규화 항이 분포적 낙관적 제어 (Distributionally optimistic control) 와 동등함을 이론적으로 규명했습니다. 이는 DeePC 가 왜 잘 작동하는지에 대한 통계적 해석을 제공합니다.
새로운 강인 제어 알고리즘 개발:
- DeePC 의 과도한 낙관주의를 보완하기 위해 **분포적 강인 제어 (Distributionally Robust Control)**를 제안했습니다.
- 이 문제를 볼록 최적화 문제로 변환하여 계산 효율성을 보장했습니다.

4. 결과 및 성과 (Results)

이론적 일관성: 제안된 가우시안 행동 모델은 기존 LTI 시스템 모델 (결정론적 및 확률적) 과 일치함을 보였습니다.
DeePC 해석: DeePC 의 정규화 파라미터 ( $\lambda_g$ ) 가 KL 발산 제약 조건 ( $\epsilon$ ) 과 직접적인 연관이 있음을 보였습니다. $\lambda_g$ 가 커질수록 불확실성 집합이 줄어들어 확신 등가 제어에 수렴함을 확인했습니다.
강인 제어의 유효성: 제안된 분포적 강인 제어 (15 번 식) 는 Hessian 행렬이 양의 준정부호 (Positive Semidefinite) 가 되도록 파라미터를 선택할 경우 볼록 문제를 이룹니다. 수치 시뮬레이션 결과, 이 방법은 기존 LTI 시스템에서 DeePC 와 유사한 성능을 내면서도 불확실성에 더 강인한 제어를 가능하게 함을 보였습니다.

5. 의의 및 결론 (Significance)

통계적 해석의 제공: 데이터 기반 제어 분야에서 "정규화 (Regularization)"가 단순히 수치적 안정성을 위한 것이 아니라, **모델 불확실성을 고려한 분포적 최적화 (Distributional optimization)**의 한 형태임을 명확히 했습니다.
실용성: 복잡한 확률적 모델링 없이도 데이터의 공분산 구조를 활용하여 불확실성을 고려한 예측 제어 (Predictive Control) 를 설계할 수 있는 실용적인 프레임워크를 제시했습니다.
향후 방향: 가우시안 분포를 넘어 더 넓은 클래스의 시스템 (비가우시안 등) 으로 확장하는 것을 향후 과제로 제시했습니다.

요약하자면, 이 논문은 데이터 기반 제어의 핵심인 "정규화"와 "불확실성 처리"를 가우시안 과정 기반의 행동론적 프레임워크로 통합하여 해석하고, 이를 통해 기존 방법론 (SPC, DeePC) 의 이론적 근거를 마련하고 더 강인한 새로운 제어 알고리즘을 제안한 중요한 연구입니다.