⚡ electrical engineering

Feedback Linearisation with State Constraints

본 논문은 제약 조건 경계에서 발생하는 상대 차수의 정의 불가능 문제를 해결하기 위해, 선형화 전 시스템 동역학을 확장하고 스위칭 제어기를 채택함으로써 피드백 선형화 시 상태 제약 조건을 처리하는 방법을 제안한다.

원저자: Songlin Jin, Yuanbo Nie, Morgan Jones

게시일 2026-07-07

📖 3 분 읽기☕ 가벼운 읽기

원저자: Songlin Jin, Yuanbo Nie, Morgan Jones

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

당신이 고성능 레이스카(복잡한 비선형 시스템)를 운전하고 있으며, 구불구불한 트랙을 따라 완벽하게 조종하고 싶다고 상상해 보십시오. 당신에게는 **피드백 선형화(Feedback Linearisation, FBL)**라는 강력한 도구가 있습니다. FBL를 당신이 방향을 틀 때마다 바람의 저항이나 엔진의 특이한 움직임 같은 자동차의 기묘하고 예측 불가능한 물리 법칙들을 즉각적으로 상쇄하여, 자동차가 마치 단순하고 예측 가능한 장난감 자동차처럼 직선으로 움직이게 만드는 마법의 스티어링 휠이라고 생각하십시오. 이를 통해 표준적이고 단순한 규칙들을 사용하여 조종하는 것이 매우 쉬워집니다.

문제점: 보이지 않는 벽
하지만 현실 세계에는 규칙이 있습니다. 당신의 자동차는 가드레일(상태 제약 조건) 안에 머물러야 합니다. 문제는 이 "마법의 스티어링 휠"(FBL)을 사용할 때, 이 도구가 지도를 왜곡시킨다는 점입니다. 갑자기, 실제 트랙의 단순하고 직선적인 가드레일이 당신의 디지털 지도 위에서는 혼란스럽고 뒤틀린 3D 미로로 변해버립니다. "장난감 자동차" 규칙을 사용하여 가드레일 안에 차를 머물게 하려는 시도는 실제 차를 운전하는 것보다 더 어려워집니다! 왜냐하면 "벽"이 복잡한 비선형 곡선이 되어버렸기 때문에 단순한 규칙들이 더 이상 작동하지 않기 때문입니다.

해결책: "섀도우 드라이버" 추가하기
이 논문의 저자들은 영리한 해결책을 제안합니다. 마법의 스티어링 휠을 적용하기 전에, 단순히 자동차를 조종하는 대신 자동차의 제어 시스템에 섀도우 드라이버(Shadow Driver)(새로운 변수 세트)를 추가하는 것입니다.

슬랙 변수 (완충 장치): 섀도우 드라이버는 자동차와 가드레일 사이에 신축성 있는 고무줄을 쥐고 있다고 상상해 보십시오. 자동차가 벽에서 멀리 떨어져 있는 동안 고무줄은 느슨합니다. 자동차가 벽에 가까워질수록 고야는 팽팽해집니다. 섀도우 드라이버의 역할은 이 텐션(장력)을 관리하는 것입니다.
시스템 증강: 그들은 수학적으로 이 섀도우 드라이버를 자동차에 "부착"합니다. 이제, 단순히 자동차를 조종하는 것이 아니라, 마법의 스티어링 휠이 섀도우 드라이버를 조종하게 됩니다. 섀도우 드라이버는 고무줄의 반응에 따라 설계되었기 때문에, 자동차가 가드레일을 절대 넘지 못하도록 물리적으로 방지합니다. 만약 자동차가 벽에 부딪히려고 하면, 섀도우 드라이버의 텐션이 자동으로 조절되어 이를 막아냅니다. 즉, "벽"을 넘는 것은 불가능해집니다.
적분 제어기: 섀도우 드라이버가 과부하되거나 불규직하게 작동하지 않도록, "기억" 성분(적분 제어기)을 추가합니다. 이것은 마치 자동차가 얼마나 강하게 밀렸는지를 기억하고 조향을 부드럽게 다듬어주는 부조종사와 같습니다. 이를 통해 자동차가 급격하게 흔들리지 않으면서도 안전한 한계 내에 머물 수 있도록 보장합니다.

문제점: "흐릿한" 구역
한 가지 까다로운 부분이 있습니다. 자동차가 가드레일의 경계(경계면)에 정확히 닿았을 때, 섀도우 드라이버를 설명하는 수학적 모델이 "흐릿해지거나" 정의되지 않게 됩니다. 이는 마치 방금 멈춰 선 자동차의 속도를 계산하려고 하는 것과 같습니다. 숫자들이 엉망이 되고, 마법의 스티어링 휠이 제대로 작동하지 않을 수 있습니다.

해결책: 기어 변속하기
이를 해결하기 위해 저자들은 **스위칭 전략(Switching Strategy)**을 도입합니다. 자동차에 두 가지 서로 다른 조향 모드가 있다고 상상해 보십시오:

모드 A: 자동차가 도로 중앙에 안전하게 있을 때 사용됩니다.
모드 B: 자동차가 가드레일에 위험할 정도로 가까워졌을 때 사용됩니다.

시스템은 끊임없이 "흐릿한 구역"을 체크합니다. 만약 자동차가 수학이 엉망이 되는 가장자리 근처로 접근하면, 시스템은 즉시 다른 조향 모드로 전환하며, 이 모드는 특히 그 까다로운 상황을 위해 설계되었습니다. 자동차가 다시 안전한 곳으로 이동하면, 다시 원래 모드로 돌아옵니다. 이를 통해 자동차는 결코 충돌하거나 통제력을 잃지 않으면서도 가드레일을 밀착해서 달릴 수 있습니다.

결과
이 논문은 이 방법이 작동함을 증명합니다. 그들은 단순한 자동차(단일 입력 시스템)와 더 복잡한 자동차(종종 혼돈스러운 날씨를 모델링하는 데 사용되는 유명한 로렌츠 시스템과 같은 형태)에 대해 테스트를 진행했습니다.

이들의 방법이 없다면: 표준적인 조향 규칙이 제약 조건이 추가될 때 실패하기 때문에 자동차는 가드레일을 뚫고 나갑니다.
이들의 방법을 사용한다면: 자동차는 가드레일 안에 완벽하게 머물며, 원하는 경로를 따르고, 실시간으로 복잡한 수학 문제를 풀기 위해 슈퍼컴퓨터를 필요로 하지 않고도 규칙을 절대 위반하지 않습니다.

요약
이 논문은 강력하지만 경직된 조종 도구(FBL)를 어떻게 "섀도우 드라이버"와 "기어 스위처"를 통해 수정할 수 있는지 가르쳐 줍니다. 이를 통해 우리는 복잡하고 혼돈스러운 시스템을 엄격한 경계 내에서 안전하게 운전할 수 있으며, 가장자리에 가까워졌을 때 수학적 모델이 무너지지 않도록 유지하면서 경로를 이탈하지 않게 할 수 있습니다.

기술 요약: 상태 제약 조건이 있는 피드백 선형화 (Feedback Linearisation with State Constraints)

문제 정의

피드백 선형화(Feedback Linearisation, FBL)는 입력-아핀(input-affine) 비선형 제어 시스템을 선형 시스템으로 변환하여 극점 배치(pole placement)와 같은 선형 설계법을 사용할 수 있게 하는 성숙한 기술이다. 그러나 **상태 제약 조건(state constraints)**을 다룰 때 중대한 한계가 발생한다. FBL은 시스템 동역학을 성공적으로 선형화하지만, 원래의 비선형 시스템에 존재하는 단순한 상태 제약 조건을 선형화된 영역 내의 복잡한 비선형 제약 조건으로 변환하는 경우가 많다. 이러한 변환은 FBL의 주요 이점을 약화시키는데, 왜냐하면 복잡한 제약 조건 하에서 결과적인 선형 시스템을 제어하는 것이 원래의 비선전 시스템을 제어하는 것만큼 어렵기 때문이다.

이 문제에 대한 기존 접근 방식들은 일반적으로 최적화 기반 방법(예: 모델 예측 제어, MPC)이나 선형 행렬 부등식(LMI)에 의존하며, 이는 온라인 적용에 부적합한 상당한 계산 부담을 초ền다. 다른 방법들은 종종 단순한 "박스(box)" 제약 조건에 국한된다. 본 논문은 온라인 최적화 없이도 일반적인 시변 제약 조건을 적용할 수 있는, 상태 제약 만족을 보장하는 FBL 컨트롤러 설계 과제를 다룬다.

방법론

제안된 방법론은 상태 증강(State Augmentation), 적분 제어 수정(Integral Control Modification), 그리고 **스위칭 FBL 구현(Switching FBL Implementation)**의 3단계 워크플로우를 따른다.

1. 상태 증강 및 제약 조건 포착

본 접근 방식의 핵심은 FBL을 적용하기 전에 상태 제약을 캡슐화하기 위해 시스템 동역학을 증강하는 것이다.

슬랙 변수(Slack Variables): 제약 조건 $\phi(t, x(t)) \leq 0$ 이 $Z(t) \geq 0$ 일 때 만족되도록 하는 시변 슬랙 변수 $Z(t)$ 를 도입한다. 구체적으로, 제약 조건은 $\phi(t, x(t)) + \frac{1}{2}z^2(t) = 0$ 으로 재작성된다.
해석적 유도(Analytical Derivation): 본 논문은 이 증강된 방정식의 시간 미분값에 대한 해석적 표현을 유도한다. 시스템 입력이 명시적으로 나타날 때까지(상대 차수에 의해 결정됨) 미분을 수행함으로써, 원래의 입력 $u$ 를 슬랙 변수의 미분값(의사 입력 $w$ 로 취급됨)의 함수로 표현한다.
순차적 증강(Sequential Augmentation): 제약 조건의 수가 입력의 수보다 많은 시스템(MIMO, $r > m$ )의 경우, 순차적 증강 전략이 사용된다. 제약 조건은 한 번에 하나의 서브셋씩 캡처되며, 상태 공간을 반복적으로 확장한다.
이론적 보장: 정리 1(Theorem 1)은 임의의 적분 가능한 의사 입력 $w$ 에 대해, 결과적인 원래 시스템의 궤적이 상태 제약을 만족함을 확립한다. 이는 시스템이 제약 경계( $z \to 0$ )에 접근함에 따라 제약 조건에 대한 구동 권한(actuation authority)이 소멸되어 제약 위반을 방지하기 때문이다.

2. 적분 제어 구조

의사 입력 $w$ 가 적분 가능하도록 보장하고(정리 1의 요구 사항), 정상 상태 오차를 처리하기 위해 증강된 시스템은 적분 제어 구조로 추가 수정된다.

적분 상태 $\xi$ 를 추가하며, $\dot{\xi} = \tilde{w}$ (새로운 가상 입력)이다.
의사 입력은 적분 상태의 유계 함수인 $w = s_\beta(\xi)$ 로 정의된다. 여기서 $s_\beta$ 는 포화(saturation)와 유사한 함수이다.
이 수정은 증강된 시스템의 입력이 유계이고 적분 가능하도록 보장하여, 제약 만족 보장을 유지한다.

3. 정의되지 않은 상대 차수 및 스위칭 처리

식별된 핵심 과제는 증강된 시스템이 상태 제약의 경계(슬랙 변수가 0이 되는 지점)에서 **정의되지 않은 상대 차수(ill-defined relative degree)**를 보인다는 점이다. 이러한 특이점(singularity)은 역행렬이 가능한 디커플링 행렬을 필요로 하는 표준 FBL의 직접적인 적용을 방해한다.

$\epsilon$ -수치적 상대 차수 ( $\epsilon$ -NRD): 이를 해결하기 위해, 본 논문은 $\epsilon$ -NRD 개념을 도입한다. 정확한 zero/non-zero Lie 미분에 의존하는 대신, 리 미분(Lie derivative) 계수가 수치적으로 유의미한지에 따라 상대 차수를 결정하기 위해 임계값 $\epsilon$ 을 사용한다.
스위칭 전략: 컨트롤러는 로컬 $\epsilon$ -NRD를 기반으로 합성된다. 시스템 궤적이 진화하고 $\epsilon$ -NRD가 변하는 영역(주로 제약 경계 근처)을 통과함에 따라, 컨트롤러는 현재의 로컬 상대 차수에 대해 합성된 새로운 FBL 법칙으로 전환(switch)된다.
역치환(Back-Substitution): 실질적인 구현을 보장하기 위해, 유도된 관계식을 사용하여 최종 컨트롤러 표현식에서 증강된 상태(슬랙 변수)를 대수적으로 제거한다. 최종 컨트롤러는 원래의 시스템 상태와 적분 상태에만 의존한다.

주요 기여

확장 가능한 제약 조건 처리: 본 논문은 제약 차원이 입력 차원을 초 exceed하는 경우에 대해서도 이전의 상태 증강 연구를 확장한다. 새로운 순차적 증강 방법을 제공하며, 제약 조건을 시스템 동역학으로 변환하는 첫 번째 해석적 표현을 유도한다(Lemma 1).
기본 설계 원칙 (Theorem 1): 저자들은 가상 컨트롤러의 적분 가능성과 가역성이 제약 만족을 인증하는 핵심임을 확립한다. 제안된 증강 방법이 임의의 적분 가능한 입력에 대해 제약 만족을 보장함을 증명한다.
정의되지 않은 상대 차수의 해결: 본 논문은 증강이 제약 경계에서 정의되지 않은 상대 차수를 초래함을 이론적으로 증명한다(Proposition 1). 이를 $\epsilon$ -NRD에 기반한 스위칭 컨트롤러 전략을 통해 극복하며, 이를 통해 상대 차수가 동적으로 변하는 상황에서도 FBL을 적용할 수 있게 한다.
실용적 구현 워크플로우: 이론적 결과와 달리, 본 논문은 이론과 실제를 잇는 명확한 폐쇄형(closed-form) 구현 방법(Algorithm 1 및 2)을 제공한다. 역치환을 통해 증강된 상태에 대한 의존성을 제거하는 방법을 상세히 설명하며, 이를 통해 컨트롤러가 적분 상태를 포함한 원래 시스템에서 실행될 수 있도록 한다.

결과

본 논문은 단일 입출력(SISO) 시스템에 대한 수치 실험을 통해 방법론을 검증한다:

예제 1: 시변 이차 제약 조건을 가진 시스템. 저자들은 컨트롤러를 수동으로 유도하여, 제안된 방법이 제약을 엄격히 준수하면서 원점으로 시스템을 안정화함을 보여주었다. 반면, (증강이 없는) 고전적 FBL 컨트롤러는 제약을 위반했다. 이 실험은 또한 수렴 속도에 대한 극점 배치의 효과와 경계 근처에서의 컨트롤러 스위칭의 필요성을 강조했다.
예제 2: 다중 제약 조건과 시변 참조값(reference)을 가진 로렌츠형 카오스 시스템. 제안된 스위칭 FBL 컨트롤러는 제약 영역 내에 머물면서 참조값을 성공적으로 추종했다. 제약 조건을 무시한 고전적 FBL 컨트롤러는 상당한 오버슈트(overshoot)를 보였으며 상태 제약을 위반했다.

의의 및 주장

본 논문은 상태 제약을 다룰 수 있는 일반적인 최적화 프리(optimization-free) FBL 방법을 제공한다고 주장한다. 주요 의의는 다음과 같다:

온라인 최적화 회피: MPC와 달리, 제안된 컨트롤러는 오프라인에서 합성되거나 단순한 스위칭 로직을 통해 생성되며, 온라인에서 비선형 프로그래밍 문제를 풀 필요가 없어 실시간 애플리케이션에 적합하다.
일반 제약 조건 처리: 이 방법은 단순한 박스 제약에 국한되지 않고 일반적인 시변 상태 제약을 수용할 수 있다.
특이점에 대한 강건성: $\epsilon$ -NRD와 스위칭 로직을 활용함으로써, 제약 경계에서의 정의되지 않은 상대 차수라는 근본적인 문제를 해결하며, 이는 FBL을 제약 시스템에 적용할 때 알려진 한계점이다.

저자들은 기초적인 증강 이론은 MIMO 시스템에도 적용 가능하지만, 스위칭 로직을 포함한 실질적인 구현은 스위칭 조건의 다루기 까다로움(tractability) 문제로 인해 현재 SISO 시스템으로 제한된다고 언급했다. 향후 연구 과제로 이 스위칭 프레임워크를 MIMO 시스템으로 확장하는 것을 꼽았다.