Excitation of control-affine systems and Koopman error bounds

기술 요약: 제어-아핀 시스템의 흥분(Excitation) 및 코프만 오차 한계

문제 정의
본 논문은 확장 동적 모드 분해(EDMD)를 통한 코프만 연산자 프레임워크를 사용하여, 데이터로부터 제어-아핀 역학계를 식별하는 과제를 다룹니다. EDMD와 같은 데이터 기반 방식은 복잡한 시스템을 모델링하는 데 강력하지만, 제어-아핀 시스템(이로 인해 쌍선형 대리 모델이 생성됨)으로 확장할 경우 상당한 데이터 요구량이 발생합니다. 핵심적으로 식별된 문제는 시스템 식별 과정의 정확도와 강건성이 입력 데이터의 품질에 크게 의존한다는 점입니다. 구체적으로, 이 모델들의 근사 오차 한계는 입력 데이터 행렬의 최소 특잇값($\sigma_{\min}$)에 반비례합니다. 만약 입력 데이터가 충분히 "흥분(exciting)"되지 않는다면(즉, 입력이 제대로 분포되지 않거나 상관관계가 높다면), $\sigma_{\min}$이 작아져 오차 한계가 커지고 제어 성능이 신뢰할 수 없게 됩니다. 본 논문은 이 특잇값을 최대화하기 위한 입력 선택 가이드라인을 수립함으로써, 견고한 식별과 신뢰할 수 있는 제어 오차 한계를 보장하고자 합니다.

방법론
저자들은 제어-아핀 매핑 $y = g_0(x) + G(x)u$를 추정하는 데 사용되는 회귀 문제에 중심을 둔 프레임워크를 개발합니다. 방법론은 다음과 같은 몇 가지 분석 단계를 거칩니다:

1. 오차 한계 분석: 논문은 먼저 시스템 파라미터($g_0$ 및 $G$) 추정의 오차가 노이즈 크기를 $V$의 $\sigma_{\min}(V)$로 나눈 값에 의해 제한된다는 것을 입증합니다. 여기서 $V$는 1로 이루어진 행과 입력 벡터들로 구성된 데이터 행렬입니다.
2. 최적성 조건: 저자들은 $\sigma_{\min}(V)$를 최대화하기 위한 필요충분조건을 도출합니다.
   • 필요조건은 입력 벡터들의 합이 0이어야 한다는 것입니다 ($U\mathbf{1} = 0$).
   • 이 조건 하에서, 입력을 적절히 스케일링하면 행렬이 최소 특잇값에 대한 이론적 상한에 도달할 수 있습니다.
   • 특정 최적 구성들이 식별되었습니다: 직교 입력(Corollary 3.3) 및 정규 단체(regular simplex)의 꼭짓점을 형성하는 입력(Proposition 3.5).
3. 부공간 각도 및 순차적 수집: 실제 응용 분야에서는 모든 입력을 사전에 설계하는 것이 아니라 순차적인 데이터 수집이 발생하는 경우가 많다는 점을 인식하여, 저자들은 부공간 각도(subspace angles)를 사용하는 기하학적 접근법을 도입합니다. 이들은 기존 입력들이 생성하는 부공간과 새로운 입력 벡터 사이의 각도를 기반으로 $\sigma_{\min}(V)$에 대한 하한을 도출합니다. 이를 통해, 무작위 입력 세트가 주어졌을 때, 부공간 각도를 최대화하여 최소 특잇값을 높이는 특정 추가 입력을 선택하거나 기존 입력을 교체하는 전략을 제시합니다.
4. 코프만 프레임워크와의 통합: 이러한 이론적 결과는 두 가지 특정 EDMD 변형에 적용됩니다:
   • 제어가 포함된 쌍선형 EDMD (EDMDc): 이 프레임워크는 유연한 샘플링을 허용하여, 데이터가 반드시 특정하게 사전 정의된 제어 값(예: 단위 벡터)에서 수집될 필요 없이 일반적인 데이터 클러스터로부터 추론될 수 있습니다.
   • 커널 EDMD: 저자들은 기존의 커널 기반 방식에 대한 오차 한계를 제어-아핀 설정으로 확장하여, 데이터 기반 모델 예측 제어(MPC)에 필요한 가정들을 엄격하게 검증하는 균등 오차 한계를 제공합니다.

주요 기여

• 데이터 피팅 프레임워크: 입력 선택을 식별 문제의 강건성 마진과 명시적으로 연결하는 새로운 제어-아핀 매핑 피팅 프레임워크를 제안합니다.
• 최적성 조건: 데이터 행렬의 최소 특잇값을 최대화하기 위한 입력 최적성에 대한 필요 및 충분 조건을 도출하며, 직교 및 단체 기반 입력을 포함한 명시적인 구성을 포함합니다.
• 순차적 데이터를 위한 기하학적 가이드라인: 순차적 또는 온라인 학습 시나리오에서 조건수를 개선하기 위해 추가 입력을 선택하는 방법에 대한 실용적인 가이드라인을 제공합니다.
• 균등 오차 한계: 제어-아핀 구조가 존재하는 환경에서 쌍선형 EDMDc 및 커널 EDMD에 대한 균등 오차 한계를 도출합니다. 이 한계는 상태 공간의 채움 거리(fill distance)와 입력 데이터의 조건수에 의존합니다.
• 유연한 샘플링: 일반적이고 유연한 데이터 수집으로부터 인공 데이터 포인트(예: 단위 벡터 입력에 대한 응답)를 구성하는 방법을 제공하여, 제한적인 샘플링 요구사항을 제거합니다.

결과
논문은 두 가지 응용 시나리오를 통해 제안된 접근 방식을 검증합니다:

1. 자유 부유 강체 (6D 입력): 연구는 네 가지 흥분 전략(무작위 입력, 직교 입력, 단체 꼭짓점, 부공간 각도 기반 전략)을 비교합니다. 결과에 따르면 무작위 입력은 현저히 낮은 $\sigma_{\min}$과 높은 근사 오차를 보이는 반면, 제안된 전략들(특히 부공간 각도 기반 접근법)은 $\sigma_{\min}$ 값을 이론적 최대치에 가깝게 달성하여 벡터 필드 근사 오차를 획기적으로 줄입니다.
2. 비홀로노믹 이동 로봇 (2D 입력): 프레임워크는 쌍선형 EDMDc를 사용하는 이동 로봇에 적용됩니다. 결과는 제안된 흥분 전략을 사용하면(최소한의 데이터 포인트만으로도) 무작위 샘플링에 비해 현저히 낮은 1단계 예측 오차를 갖는 코프만 대리 모델을 얻을 수 있음을 보여줍니다. 또한 무작위 입력의 수를 늘리면 오차를 완화할 수 있지만, 기하학적으로 유도된 선택 방식이 더 적은 샘플로 높은 정확도를 달 achieves 함을 보여줍니다.

의의
본 논문은 자신의 기여가 안전이 중요한 시스템에서의 신뢰할 수 있는 데이터 기반 제어 적용에 있어 매우 중요하다고 주장합니다. 입력 선택에 대한 명시적이고 기하학적으로 해석 가능한 조건을 제공함으로써, 본 연구는 이론적 시스템 식별과 실질적인 데이터 수집 사이의 간극을 메웁니다. 도출된 오차 한계는 모델 예측 제어(MPC)에서의 점근적 안정성과 같은 폐루프 특성의 형식적 검증에 필수적입니다. 또한, 유연한 샘플링 능력은 특정하게 사전 정의된 제어 입력에서 데이터를 수집하는 것이 불가능하거나 비실용적인 상황에서도 제어-아핀 시스템을 식별할 수 있게 하여, 로보틱스 및 차량 역학과 같은 실제 공학 문제에 적용 가능하게 합니다.