Adaptive Behavioral Predictive Control: State-Free Regulation Without Hankel Weights

이 논문은 적응 행동 예측 제어 (Adaptive Behavioral Predictive Control, ABPC) 라는 새로운 제어 프레임워크를 제안합니다. 이 방법은 데이터 기반 제어 (Data-driven Control) 와 적응 제어 (Adaptive Control) 의 장점을 결합하여, 시스템의 상태 (State) 를 알지 못하더라도 스트리밍 데이터 (streaming data) 를 직접 사용하여 실시간으로 제어 입력을 계산하는 것을 목표로 합니다.

다음은 논문의 주요 내용을 기술적으로 요약한 것입니다.

1. 문제 정의 (Problem Statement)

기존의 예측 제어 (MPC) 및 데이터 기반 제어 방법들은 일반적으로 배치 데이터 (batch data) 와 반복적인 2 차 계획법 (Quadratic Programming, QP) 에 의존합니다. 이는 다음과 같은 한계가 있습니다.

• 계산 부하: 실시간 연속 시스템에서 매 시간 단계마다 반복적인 최적화를 수행하는 것은 계산 비용이 매우 큽니다.
• 데이터 의존성: 과거의 전체 궤적 (Hankel 행렬) 을 저장하고 재사용해야 하므로 메모리 요구량이 크고, 시스템이 비선형적으로 서서히 변화 (drift) 할 때 적응이 느립니다.
• 상태 불확실성: 시스템의 내부 상태 (state) 가 알려지지 않거나 모델링되지 않은 경우 (black-box systems) 에 적용하기 어렵습니다.

이러한 환경에서 스트리밍 데이터를 직접 활용, 온라인으로 시스템 행동을 업데이트하며, 폐쇄형 (closed-form) 으로 제어 입력을 계산할 수 있는 제어기가 필요합니다.

2. 방법론 (Methodology)

제안된 ABPC 는 간접 적응 제어 (Indirect Adaptive Control) 전통에 기반하며, 다음과 같은 핵심 단계로 구성됩니다.

A. 커널 기반 RLS 식별 (Kernel-based RLS Identification)

• 모델 구조: 시스템은 선형 파라미터 가변 - 자기회귀 외생 입력 (LPV-ARX) 모델로 근사화됩니다.
• 특성화 (Feature Mapping): 과거의 입력 - 출력 데이터를 커널 딕셔너리 (Kernel Dictionary) 를 통해 고차원 특성 공간으로 매핑합니다. 여기에는 단위 (Unitary), 선형 (Linear), 다항식 (Polynomial), 그리고 방사형 기저 함수 (RBF) 커널 등이 포함됩니다.
• 온라인 업데이트: 재귀적 최소 제곱법 (Recursive Least Squares, RLS) 을 사용하여 LPV-ARX 모델의 계수를 실시간으로 업데이트합니다. 이는 배치 데이터 없이 스트리밍 데이터만으로 수행됩니다.

B. 예측 및 제어 합성 (Prediction and Control Synthesis)

• Toeplitz 적층 (Toeplitz Stacking): 현재 시점에서 업데이트된 계수를 예측 구간 (Horizon) 동안 고정 (Freeze) 시킵니다. 이를 통해 1 단계 예측기를 다단계 예측으로 확장하는 Toeplitz 연산자를 구성합니다.
• 폐쇄형 해 (Closed-form Solution):
  • 추적 오차와 입력 변화량을 패널티로 하는 2 차 비용 함수 (Quadratic Cost) 를 정의합니다.
  • 고정된 계수 하에서 이 문제는 볼록한 2 차 최적화 문제가 되며, 반복적인 QP 솔버 없이 Cholesky 분해를 통해 제어 입력 시퀀스를 폐쇄형 (Closed-form) 으로 직접 계산할 수 있습니다.
  • 이는 계산 효율성을 극대화하고 실시간 적용을 가능하게 합니다.

3. 주요 기여 (Key Contributions)

1. 스트리밍 데이터 기반 커널 적응 제어기 도입: 배치 Hankel 행렬 구조를 제거하고, 커널 기반 RLS 를 통해 온라인으로 LPV-ARX 예측기를 업데이트하는 새로운 프레임워크를 제시했습니다.
2. 폐쇄형 제어 계산: Toeplitz 적층과 Cholesky 분해를 결합하여 반복적인 최적화 없이 제어 입력을 계산하는 알고리즘을 개발했습니다.
3. 통합적 관점: 기존 예측 비용 적응 제어 (PCAC) 를 특수한 경우로 포함하며, 일반 예측 제어 (GPC) 와 연결되면서도 비선형 딕셔너리를 통해 표현력 (Expressiveness) 을 확장합니다.
4. 체계적인 수치 연구: 선형, Hammerstein, NARX(비선형 자기회귀 외생 입력), 쿼터니언 동역학 등 다양한 시스템에 대한 광범위한 시뮬레이션을 수행하여 커널 선택과 성능 간의 관계를 규명했습니다.

4. 실험 결과 (Results)

논문은 다양한 시나리오 (E1~E7) 를 통해 ABPC 의 성능을 검증했습니다.

• 선형 시스템 (E1, E2, E3): 안정적 및 불안정 SISO/MIMO 시스템에서 모든 커널 (단위, 선형, RBF, 다항식) 이 안정적으로 수렴하고 참조 신호를 잘 추종함을 보였습니다. 특히 불안정 시스템에서는 RBF 커널이 빠른 수렴과 낮은 진동을 보였습니다.
• 비선형 시스템 (E4, E5, E6):
  • NARX 및 Hammerstein 시스템: 시스템의 비선형 구조와 일치하는 커널 (예: 3 차 교차항이 있는 시스템에는 다항식 커널) 을 사용할 때 가장 우수한 추적 성능을 보였습니다.
  • 정확도 vs 안정성: 다항식 커널은 구조적 일치를 통해 높은 정확도를 제공하지만, 정현파와 같은 진동 성분을 표현하지 못할 경우 수치적 불안정성이 발생할 수 있습니다. 이 경우 단위 (Unitary) 딕셔너리가 내부 모델 원리 (Internal Model Principle) 를 통해 안정성을 유지했습니다.
• 강인성 (Robustness): 측정 잡음이 있는 환경에서도 ABPC 는 안정적으로 동작하며, 커널 선택에 따른 성능 차이가 유지됨을 확인했습니다.
• 실제 적용 사례 (E7): SO(3) 상의 강체 자세 제어 (Quaternion 동역학) 에 적용하여 복잡한 비선형 MIMO 시스템에서도 유효함을 입증했습니다.

5. 의의 및 결론 (Significance and Conclusion)

• 계산 효율성: 반복적인 QP 솔버와 Hankel 행렬 저장의 필요성을 제거하여, 계산 자원이 제한된 임베디드 시스템이나 고속 제어 응용 분야에 적합합니다.
• 적응성: 시스템의 비선형적 변화나 서서한 드리프트에 대해 온라인으로 적응하며, 커널 선택을 통해 다양한 시스템 클래스를 포괄할 수 있습니다.
• 실용성: 이론적 안정성 증명보다는 수치적 재현 가능성과 계산 실현 가능성에 중점을 두었으며, 다양한 실제 시스템 유형에서 검증된 실용적인 제어 기법입니다.

결론적으로, 이 논문은 데이터 기반 예측 제어의 계산적 부담을 줄이면서도 비선형 시스템에 대한 적응 능력을 유지하는 새로운 패러다임을 제시하며, 실시간 제어 시스템 설계에 중요한 기여를 하고 있습니다.