Predictive Control over LAWN: Joint Trajectory Design and Resource Allocation

기술 요약: 저고도 무선 네트워크에서의 예측 제어

문제 정의
본 연구는 드론에 의해 보조되는 저고도 무선 네트워크(Low-Altitude Wireless Networks, LAWNs) 내에서 다수의 이동형 자동 가이드 차량(AGV)을 실시간으로 제어하는 데 따르는 과제를 다룹니다. 핵심 문제는 지연 시간에 민감한 시나리오에서 통신 신뢰도와 제어 성능 사이의 긴밀한 결합에 있습니다. 기존의 접근 방식은 통신과 제어를 독립적인 하위 시스템으로 취급하거나 무한 블록 길이(Infinite Blocklength, IBL) 전송을 가정하는 경우가 많으며, 이는 실시간 제어의 엄격한 지연 시간 및 신뢰도 요구 사항을 포착하지 못합니다. 이러한 시스템에서는 운영 주기가 짧은 타임 슬롯으로 분할되므로 유한 블록 길이(Finite Blocklength, FBL) 전송이 필수적입니다. FBL 환경에서는 달성 가능한 전송률이 비볼록(non-convex)하며 신호 대 잡음비(SNR), 블록 길이, 블록 오류율(BLER)에 매우 민감하므로, 제어 정책, 송신 전력, 드론 궤적의 공동 최적화는 IBL 기반 시스템보다 훨씬 더 복잡합니다. 또한, 기존 연구들은 다중 에이전트 협업 환경에서 통신 장애와 내부 루프 제어 메커니즘의 안정성 사이의 복잡한 상호작용을 간과하는 경우가 많습니다.

방법론
저자들은 드론이 FBL 전송을 통해 여러 대의 AGV를 서비스하는 통신 보조 모델 예측 제어(Model Predictive Control, MPC) 프레임워크를 제안합니다. 방법론은 다음 단계로 진행됩니다:

1. 시스템 모델링:

   • 통신: 공중-지상(A2G) 채널은 가시선(LoS) 및 비가시선(NLoS) 조건을 모두 고려하기 위해 Nakagami-m 페이딩을 사용하여 모델링됩니다. 달성 가능한 전송률은 SNR, 블록 길이 및 BLER 제약 조건을 포함하는 FBL 이론을 사용하여 도출됩니다.
   • 제어: AGV는 선형 이산 시간 시스템으로 모델링됩니다. 매끄러운 구동을 보장하기 위해, 이전 제어 입력을 포함하는 확장 상태 벡터를 사용하여 시스템을 재구성합니다. 제어 목표는 유한 예측 지평(prediction horizon) 동안 궤적 추적 오차와 제어 노력을 최소화하는 것입니다.
   • 통합: 프레임워크는 송신 신뢰도를 송신 실패 확률($P_k[n]$)을 통해 명시적으로 모델링합니다. 시스템 역학은 제어 명령 실패 확률을 고려하여 재구성됩니다. 즉, 장애 발생 시 AGV는 외부 입력 없이 고유한 역학에 따라 움직입니다. 이 장애 확률은 MPC 비용 함수에 직접 통합됩니다.

2. 문제 정식화:
   제어 입력 시퀀스, 송신 전력 할당, 드론 궤적을 동시에 최적화하여 기대 제어 비용을 최소화하는 공동 최적화 문제가 정식화됩니다. 이 문제는 총 송신 전력, 드론 최대 속도, 비행 경계 및 제어 입력 제한을 제약 조건으로 가집니다. 결과적인 문제는 변수 간의 결합과 FBL 전송률의 복잡한 특성으로 인해 비볼록(non-convex) 문제를 형성합니다.

3. 해결 알고리즘:

   • 폐쇄형 유도(Closed-Form Derivation): 저자들은 먼저 FBL 전송 하에서의 장애 확률에 대한 폐쇄형 표현식을 유도합니다.
   • 재구성: 이 표현식을 사용하여 원래의 문제를 이차 계획법(Quadratic Programming, QP) 구조로 재구성합니다.
   • 교대 최적화(Alternating Optimization, AO): 비볼록 문제를 세 가지 트랙터블(tractable)한 하위 문제로 분해하여 해결하기 위해 AO 프레임워크를 개발합니다:
     • 제어 전략: 볼록 최적화 기술을 사용하는 표준 QP로서 해결됩니다.
     • 전력 할당: 비볼록 목적 함수를 처리하기 위해 백트래킹 라인 서치(backtracking line search)를 포함한 투영 경사 하강법(Projected Gradient Descent, PGD)을 사용하여 해결됩니다.
     • 드론 궤적: 1차 테일러 전개를 통해 비볼록 항을 선형화하는 순차적 볼록 근사(Successive Convex Approximation, SCA)를 사용하여 해결됩니다.
       알고리즘은 수렴할 때까지 이러한 변수들을 반복적으로 업데이트합니다. 논문은 알고리즘의 수렴 특성과 계산 복잡성에 대한 엄격한 분석을 제공합니다.

주요 기여

1. 새로운 프레임워크: FBL 전송 하에서 다수의 AGV에 대한 실시간 원격 궤적 추적을 가능하게 하며, 통신 신뢰도(장애 확률을 통해)와 MPC 기반 제어를 명시적으로 결합한 드론 보조 LAWN용 무선 제어 프레임워크를 개발했습니다.
2. 공동 최적화 정식화: 제어 입력, 전력 할당 및 드론 궤적을 최적화하여 총 제어 비용을 최소화하는 공동 최적화 문제를 정식화했습니다. 이 정식화는 물리적 이동성 및 전력 제약 조건 하에서 통신 중단이 제어 성능에 미치는 영향을 명시적으로 포착합니다.
3. 알고리즘 솔루션: 폐쇄형 장애 확률 표현식을 유도하고, 이후 비볼록 문제를 QP 구조로 변환했습니다. PGD 및 SCA 기법을 활용하여 계산 효율적인 부최적(sub-optimal) 솔루션을 달성하는 AO 프레임워크를 개발하였으며, 수렴 및 복잡도 분석을 동반했습니다.
4. 검증: 제안된 접근 방식을 베이스라인 스킴(Predictive PID, Predictive LQR, Equal Power Allocation, Straight Flight)과 비교하여 검증하기 위해 광범위한 시뮬레이션 및 AirSim 기반 실험을 수행했습니다.

결과

• 수렴성: 시뮬레이션 결과, 제안된 알고리즘이 서로 다른 타임 슬롯에 걸쳐 안정적인 제어 비용으로 빠르게 수렴함을 보여줍니다.
• 강건성: 제안된 방법은 불완전한 채널 상태 정보(CSI) 및 변화하는 전력 예산 하에서도 베이스라인 대비 낮은 제곱 평균 제곱근 오차(RMSE)를 유지합니다. 채널 추정 오차가 증가함에 따라 성능 저하가 더 느리게 나타납니다.
• 매개변수의 영향:
  • 전력 예산: 높은 전력 예산은 향상된 제어 정확도로 이어집니다. 제안된 공동 최적화는 특히 저신뢰도 시나리오에서 균등 전력 할당(Equal Power Allocation, EPA)보다 크게 우수한 성능을 보입니다.
  • 전송률 임계값: 요구되는 데이터 전송률 임계값이 높아질수록 장애 확률이 높아져 제어 비용이 상승합니다. 제안된 방법은 베이스라인보다 이 트레이드오프를 더 효과적으로 관리합니다.
  • 블록 길이: 블록 길이가 길어질수록 제어 비용이 감소하며 IBL 케이스에 수렴합니다. 제안된 방법은 정적 할당 및 고정 궤적 베이스라인보다 일관되게 우수한 성능을 보입니다.
• 궤적 적응: 다중 AGV 시나리오에서 드론은 복잡한 AGV 움직임(예: 급회전)이 있는 영역을 우선시하도록 궤적을 동적으로 조정하는 반면, EPA와 같은 베이스라인 방식은 더 길고 비효율적인 궤적과 더 높은 추적 편차를 초래합니다.
• AirSim 검증: 실제 환경적 방해 요소(비, 바람, 안개)를 포함한 AirSim 플랫폼에서의 실험은 제안된 방법의 실용성을 확인시켜 줍니다. 물리적 제약으로 인해 이상적인 시뮬레이션보다 더 많은 편차가 발생하지만, 드론은 여전히 고복잡도 영역 근처에 머물며 AGV를 지원함으로써 강건성을 입증했습니다.

의의
본 논문의 주요 의의는 실시간성이 중요한 IoT 시스템에서 통신 신뢰도와 제어 안정성 사이의 간극을 해결하는 데 있다고 주장합니다. 무한 블록 길이 가정을 넘어 통신과 제어를 하나의 통합된 시스템으로 다룸으로써, 제안된 프레임워크는 드론 보조 LAWN을 위한 더욱 현실적이고 효과적인 접근 방식을 제공합니다. 본 연구는 동적인 환경에서 다수의 이동 에이전트를 조정하기 위한 실질적인 솔루션을 제공하며, 엄격한 통신 제약 조건 하에서 높은 성능의 추적을 유지하기 위해서는 궤적, 전력 및 제어 정책의 공동 최적화가 필수적임을 입증합니다. AirSim을 통한 검증은 물리적으로 구현된, 방해 요소가 존재하는 환경에서 이론적 모델의 실용성을 더욱 강조합니다.