⚡ electrical engineering

EDMD-Based Robust Observer Synthesis for Nonlinear Systems

본 논문은 확장 동적 모드 분해 (EDMD) 를 기반으로 비선형 시스템의 상태 관측기를 설계하는 데이터 기반 접근법을 제시하며, 리프팅된 상태에 의해 세크터적으로 경계 지어지는 모델링 오차를 고려하여 선형 행렬 부등식 (LMI) 을 통해 강인한 관측기를 합성하는 방법을 다룹니다.

원저자: Xiuzhen Ye, Wentao Tang

게시일 2026-03-20

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xiuzhen Ye, Wentao Tang

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

🎯 핵심 주제: "정확하지 않은 지도로 길을 찾는 법"

상상해 보세요. 여러분이 낯선 도시에서 길을 찾고 있습니다. 하지만 완벽한 지도는 없고, 대신 **간략화된 지도 (약간의 오차가 있는 지도)**만 있습니다. 이 지도는 실제 길과 비슷하지만, 구석구석의 미세한 차이는 무시하고 있습니다.

이 논문은 **"이 imperfect(불완전한) 지도를 가지고도, 어떻게 하면 길을 잃지 않고 목적지 (시스템의 정확한 상태) 에 도달할 수 있을까?"**에 대한 해답을 제시합니다.

🛠️ 주요 아이디어 3 가지

1. "복잡한 춤을 단순한 직선으로 바꾸기" (Koopman Operator & EDMD)

상황: 비선형 시스템은 마치 자유분방하게 춤추는 사람 같습니다. 예측하기 어렵고, 꺾이는 궤적이 복잡합니다.
해결책 (EDMD): 연구자들은 이 춤추는 사람을 높은 차원의 공간으로 끌어올려 (Lifting) 봅니다. 마치 춤추는 사람을 3D 공간으로 띄우면, 그 움직임이 단순한 직선 운동처럼 보일 수 있는 것처럼요.
효과: 이렇게 하면 복잡한 비선형 문제를 선형 (직선) 문제로 바꿀 수 있어, 우리가 잘 아는 고전적인 수학 도구 (선형 대수) 를 쓸 수 있게 됩니다. 이를 EDMD라고 부릅니다.

2. "지도의 오차는 '안전 벨트'로 묶어두기" (Sectorially Bounded Error)

문제: 아무리 좋은 지도라도 완벽할 수는 없습니다. 데이터가 부족하거나, 단순화된 지도 (유한한 사전) 를 쓰기 때문에 **오차 (Mismatch)**가 생깁니다.
해결책: 연구자들은 이 오차가 무작위로 터지는 게 아니라, **"특정 규칙 (섹터) 안에 갇혀 있다"**는 것을 수학적으로 증명했습니다.
비유: 오차가 폭풍우처럼 막 날아다니는 게 아니라, **"안전 벨트 (Sector Bound)"**에 묶여 일정 범위 내에서만 움직인다는 뜻입니다. 이 오차의 크기는 현재 상태의 크기에 비례합니다.
- 예: 차가 빠를수록 오차도 커지지만, 그 비율은 일정하게 유지된다.

3. "오차까지 고려한 튼튼한 관측기 만들기" (Robust Observer Synthesis)

목표: 이제 우리는 "오차가 있는 지도"를 가지고, 실제 위치를 추정하는 **관측기 (Observer)**를 만들어야 합니다.
방법: 이 관측기는 "지도 오차가 있을 수도 있다"는 사실을 미리 인정하고 설계됩니다. 마치 비행기 조종사가 "날씨가 나빠질 수도 있으니, 그걸 감안해서 자동으로 조종하는 시스템"을 만드는 것과 같습니다.
도구: **LMI (선형 부등식)**라는 수학적 도구를 써서, "오차가 있어도 오차가 빠르게 줄어들게 (수렴하게)" 만드는 조건을 찾습니다.

🧪 실험 결과 (세 가지 시나리오)

논문의 저자들은 이 방법을 세 가지 다른 상황에 적용해 보았습니다.

안정적인 시스템 (완벽한 지도에 가까운 경우):
- 오차가 거의 없는 경우, 원하는 속도로 빠르게 목표에 도달했습니다.
- 비유: 날씨가 맑은 날, 지도 오차도 작아서 목적지에 아주 빠르게 도착함.
완벽하지 않은 지도 (화학 공장 예시):
- 지도가 완벽하지 않아 오차가 발생했지만, "안전 벨트" 이론 덕분에 관측기가 오차를 견디며 정확한 상태를 추적했습니다.
- 비유: 지도가 조금 구겨져 있어도, 안전 벨트 이론 덕분에 길을 잃지 않고 목적지에 도착함.
불안정한 시스템 (진동하는 진자 예시):
- 시스템 자체가 불안정하게 진동하는 경우 (리미트 사이클), "최소한의 오차"를 목표로 설계했습니다.
- 비유: 흔들리는 배 위에서 길을 찾는 것. 완벽하게 멈출 수는 없지만, 흔들림을 최소화하며 진자 운동을 잘 따라갈 수 있음.

💡 결론: 왜 이 연구가 중요한가요?

이 연구는 **"복잡한 비선형 시스템을 다룰 때, 완벽한 데이터나 완벽한 모델을 기다리지 말고, 불완전한 데이터와 모델로도 충분히 안전하고 정확한 시스템을 설계할 수 있다"**는 것을 보여줍니다.

간단히 말해: "완벽한 지도가 없어도, 오차의 범위를 알고 있으면 길을 잃지 않고 목적지에 갈 수 있다"는 것을 수학적으로 증명하고, 그 방법을 자동으로 설계하는 코드를 만들어낸 것입니다.

이는 자율 주행 자동차, 스마트 팩토리, 생체 신호 분석 등 실제 데이터가 불완전한 모든 분야에서 더 튼튼한 AI 시스템을 만드는 데 큰 도움이 될 것입니다.

1. 연구 배경 및 문제 정의 (Problem)

배경: 공학 시스템의 비선형 동역학을 제어 및 분석하기 위해 데이터 기반 모델링 (신경망, 강화학습, 쿠퍼만 (Koopman) 연산자 등) 이 활발히 연구되고 있습니다. 특히 쿠퍼만 연산자는 비선형 시스템을 고차원 선형 공간으로 '리프트 (lift)'하여 선형 시스템 도구를 적용할 수 있게 해줍니다.
문제점: 실제 응용에서는 모든 상태 변수를 측정할 수 없으므로, 측정된 출력으로부터 상태를 추정하는 관측기 (Observer) 설계가 필수적입니다. 그러나 데이터 기반 쿠퍼만 모델 (EDMD 등) 은 유한한 사전 (dictionary) 과 유한한 데이터 샘플을 사용하므로 필연적으로 **모델링 오차 (approximation error)**가 발생합니다.
- 기존 연구들은 이러한 오차를 고려한 강건한 관측기 설계에 대한 체계적인 이론적 틀이 부족했습니다.
- 특히 유한 차원 공간으로의 투사 (projection) 로 인한 구조적 오차와 데이터 샘플링에 따른 확률적 오차를 동시에 고려한 관측기 합성 방법이 필요했습니다.

2. 제안된 방법론 (Methodology)

이 논문은 **확장 동적 모드 분해 (Extended Dynamic Mode Decomposition, EDMD)**를 기반으로 한 강건한 상태 관측기 설계 프레임워크를 제시합니다.

A. 이론적 기반: RKHS 와 오차 경계 분석

선형 - 방사형 커널 (Linear-Radial Kernel) 을 이용한 RKHS: 저자들은 재현 커널 힐베르트 공간 (RKHS) 이론을 적용하여, 쿠퍼만 연산자의 생성자 (generator) 를 데이터로부터 식별하는 gEDMD의 오차 특성을 분석했습니다.
섹터 경계 (Sectorial Bound) 오차: 유한한 사전 (dictionary) 사용으로 인한 결정론적 오차와 유한한 데이터 샘플링으로 인한 확률적 오차를 통합하여, 비선형 오차 항이 리프트된 상태 (lifted state) 에 비례하는 '섹터 (sector)' 형태로 경계 지어짐을 증명했습니다.
- 즉, 모델링 오차 $r(x)$ 가 $\|r(x)\| \le c_r \|z(t)\|$ 를 만족하는 불확실성으로 표현됩니다. 여기서 $c_r$ 은 사전의 풍부함과 데이터 양에 의존하는 상수입니다.

B. 강건 관측기 합성 (Robust Observer Synthesis)

관측기 구조: 리프트된 상태 공간에서 루엔버거 (Luenberger) 관측기를 설계합니다.
- $\dot{\hat{z}} = A\hat{z} + L(y - C\hat{z})$
- 여기서 $A$ 는 gEDMD 를 통해 식별된 행렬이며, $L$ 은 설계해야 할 관측기 이득입니다.
선형 행렬 부등식 (LMI) 기반 설계:
- 안정 시스템의 경우: 관측 오차가 지수적으로 수렴하도록 하는 목표 감쇠율 ( $\alpha$ ) 을 설정하고, 이를 만족하는 LMI 조건을 풀어 관측기 이득을 구합니다.
- 비안정 시스템의 경우: 시스템이 점근적으로 안정하지 않더라도, 모델링 오차에서 관측 오차로 전달되는 ** $L_2$ 게인 (L2-gain)**을 최소화하는 방향으로 관측기를 설계합니다.
알고리즘: 데이터와 사전 함수를 입력받아 gEDMD 로 $A$ 행렬을 구하고, 계산된 오차 경계 $c_r$ 을 LMI 제약 조건에 반영하여 관측기 이득 $L$ 을 계산합니다.

3. 주요 기여 (Key Contributions)

오차의 체계적 정량화: 유한 사전과 유한 데이터로 인한 쿠퍼만 모델의 오차를 단일한 '섹터 경계 (sectorial bound)' 형태로 수학적으로 증명했습니다. 이는 기존 연구에서 간과되거나 보수적으로 처리되던 구조적 오차와 확률적 오차를 통합한 것입니다.
강건 관측기 합성 프레임워크: 비선형 시스템에 대한 데이터 기반 관측기 설계를 선형 시스템 이론 (LMI) 으로 환원시켰습니다. 이는 복잡한 비선형 제어 이론 없이도 선형 도구로 관측기를 설계할 수 있게 합니다.
이론적 엄밀성과 실용성의 조화: 무한 차원 공간에서의 이론적 배경 (RKHS) 을 바탕으로 하되, 실제 계산 가능한 유한 차원 EDMD 알고리즘과 결합하여 실용적인 설계 방법을 제시했습니다.

4. 실험 결과 (Results)

논문은 세 가지 다른 특성을 가진 시스템에 대해 수치 실험을 수행하여 방법론의 유효성을 입증했습니다.

사례 1: 불변 쿠퍼만 리프팅이 있는 안정 시스템
- 사전이 시스템 동역학을 정확히 표현하는 경우, 매우 적은 데이터 (100 개) 로도 정확한 모델 식별이 가능하며, 설계된 관측기는 원하는 감쇠율로 빠르게 수렴했습니다.
사례 2: 불변 쿠퍼만 리프팅이 없는 안정 시스템 (연속 교반 탱크 반응기, CSTR)
- 사전이 시스템을 완전히 표현하지 못하는 경우에도, 제안된 강건 설계법은 모델링 오차를 보상하여 관측 오차가 $10^{-4}$ 이하로 감소하도록 했습니다.
사례 3: 한계 주기 (Limit Cycle) 시스템 (반 데르 폴 진동자)
- 불안정 평형점을 가진 비선형 시스템에서, $L_2$ 게인 최소화 설계를 적용했습니다. 사전의 차수 (degree) 를 높여 모델 정확도를 개선할 때 ( $d_{max}=8$ ), 관측기가 실제 궤적을 매우 정밀하게 추적함을 확인했습니다 (RMSE 0.022).

5. 의의 및 결론 (Significance)

데이터 기반 제어의 새로운 패러다임: 이 연구는 쿠퍼만 연산자 이론을 기반으로 하여, 비선형 시스템의 상태 관측을 **선형 시스템 이론 (LMI)**의 범주 내에서 해결할 수 있는 "기본적인 (elementary)" 방법을 제시했습니다.
강건성 확보: 데이터 기반 모델링의 본질적인 한계인 오차를 명시적으로 고려하여, 불완전한 데이터와 모델 하에서도 안정적인 상태 추정이 가능함을 보였습니다.
미래 전망: 이 방법은 출력 피드백 제어 전략 개발, 시스템 모니터링, 그리고 상태 데이터가 부족한 상황에서의 모델 식별 문제 해결을 위한 강력한 기반이 될 것으로 기대됩니다.

요약하자면, 이 논문은 데이터 기반 쿠퍼만 모델링의 불확실성을 수학적으로 규명하고, 이를 LMI 를 통해 강건하게 처리하는 관측기 설계 기법을 제안함으로써 비선형 시스템의 상태 추정 분야에서 중요한 이론적, 실용적 진전을 이루었습니다.