⚡ electrical engineering

A Data-Driven Algorithm for Model-Free Control Synthesis

이 논문은 시스템 동역학에 대한 사전 지식 없이 임의의 입력 - 출력 데이터 샘플만을 활용하여 최적 무한 시간 LQR 피드백 제어기 및 참조 추종 제어기를 합성하는 데이터 기반 알고리즘을 제안하고, 이를 이론적으로 검증함과 동시에 실제 스케일 항공기를 통한 실증 실험을 수행합니다.

원저자: Sean Bowerfind, Matthew R. Kirchner, Gary Hewer

게시일 2026-02-16

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sean Bowerfind, Matthew R. Kirchner, Gary Hewer

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 비유: "요리 레시피 vs. 입맛 테스트"

1. 기존 방식 (전통적인 제어 이론)

기존의 비행기 조종사 (컨트롤러) 를 만들려면, 먼저 비행기가 어떻게 날아오르는지 **정확한 레시피 (수학적 모델)**를 알아야 합니다.

"바람이 불면 날개가 얼마나 휘어지는지", "엔진 출력이 변하면 속도가 어떻게 바뀌는지" 같은 A 와 B 라는 수식을 먼저 찾아내야 합니다.
이 레시피를 바탕으로 "이렇게 조종하면 가장 안전하고 빠르다"는 계산식을 만듭니다.
문제점: 비행기가 너무 복잡하거나, 레시피를 구하는 데 너무 많은 돈과 시간이 들면 이 방법이 무용지물이 됩니다. 특히 작은 드론 같은 경우 정밀한 레시피를 만드는 게 경제적으로 불가능할 때가 많습니다.

2. 이 논문의 방식 (데이터 기반 제어)

이 논문은 **"레시피는 필요 없다. 그냥 요리해 보자!"**라고 말합니다.

비행기를 실제로 날려보면서 **"이렇게 조종했을 때 비행기가 어떻게 반응했는지"**라는 데이터만 모읍니다.
마치 미식가가 요리를 해보며 "이제 맛을 보니까 소금 1g 더 넣으면 딱 좋겠네"라고 입맛 (데이터) 을 통해 최적의 레시피를 찾아내는 것과 같습니다.
비행기의 내부 구조나 공기역학 공식은 전혀 몰라도, 데이터만 있으면 "어떻게 조종해야 가장 잘 날아가는지"를 자동으로 찾아냅니다.

🛠️ 이 논문이 제안한 3 가지 혁신적인 도구

이 논문은 단순히 "데이터로 배우는 것"을 넘어, 세 가지 구체적인 상황을 해결하는 방법을 제시합니다.

① "눈가림하고 조종하기" (모델 프리 제어)

상황: 비행기가 어떻게 움직이는지 전혀 모릅니다.
해결: 비행기를 흔들며 데이터를 모으고, 그 데이터가 "최적의 비행 경로"를 따르도록 수학적인 제약을 걸어두었습니다. 마치 눈가림을 하고 미로를 통과할 때, 벽에 부딪히는 감각 (데이터) 만으로 길을 찾는 것과 같습니다.
결과: 수학적 모델 없이도 기존에 알려진 정답과 거의 똑같은 조종 실력을 가진 컨트롤러를 만들어냈습니다.

② "목표 지점을 향해 정확히 가기" (참조 추종)

상황: 단순히 제자리에 머무는 게 아니라, "이렇게 날아라"라는 명령 (예: 5 도만큼 기울어라) 을 따라가야 합니다.
해결: 단순히 반응만 하는 게 아니라, 명령을 미리 예측해서 **미리 조종하는 힘 (Feedforward)**까지 계산해 냅니다.
비유: 운전할 때 "앞차에 따라붙어라"라고 할 때, 단순히 앞차가 움직이는 걸 보고 반응하는 게 아니라, 앞차가 어떻게 움직일지 미리 예측해서 핸들을 미리 꺾는 것입니다. 이 논문은 그 '예측 능력'도 데이터만으로 찾아냅니다.

③ "일부는 알고, 나머지는 추측하기" (혼합 모델)

상황: 비행기 자체는 모르지만, 날개를 움직이는 모터 (액추에이터) 는 어떻게 작동하는지 알고 있는 경우입니다.
해결: 알고 있는 부분 (모터) 과 모르는 부분 (비행기 몸체) 을 섞어서, 전체를 하나로 묶어 최적의 조종법을 찾습니다.
비유: 자동차 엔진은 고장 났지만 (모름), 조향 장치 (핸들) 는 잘 작동합니다 (알음). 이 논문은 핸들 작동 원리를 이용해, 엔진 상태가 어떤지 데이터로 역추적하며 가장 안전한 운전법을 찾아냅니다.

✈️ 실제 실험: 작은 비행기로 증명하다

이론만 말하지 않고, **실제 작은 비행기 (UAV)**를 날려보며 검증했습니다.

데이터 수집: 사람이 직접 조종하며 바람이 불고 난기류가 있는 환경에서 비행기를 날렸습니다. (이때는 비행기의 정확한 수학적 모델이 없었습니다.)
학습: 그 비행 데이터를 컴퓨터에 넣어서 "어떻게 조종하면 가장 잘 날아가지?"를 계산했습니다.
검증: 만든 조종사를 다시 비행기에 태웠습니다.
- 결과: 바람이 많이 불고 난기류가 있는 상황에서도, 비행기는 정말 정확하게 명령대로 날아갔습니다. 심지어 기존에 수학적 모델을 다 알고 만든 정교한 조종사와 거의 똑같은 성능을 냈습니다.

💡 결론: 왜 이것이 중요한가요?

이 논문은 **"우리가 기계를 완벽하게 이해하지 못해도, 데이터를 통해 그 기계를 가장 잘 다룰 수 있다"**는 것을 증명했습니다.

경제성: 복잡한 수학적 모델링 비용을 아낄 수 있습니다.
유연성: 비행기뿐만 아니라 로봇, 자동차 등 어떤 복잡한 시스템에도 적용 가능합니다.
실용성: 실제 비행장에서 바람이 불고 데이터에 노이즈 (오류) 가 섞여 있어도 잘 작동합니다.

한 줄 요약:

"비행기가 어떻게 날아오르는지 수학으로 설명할 필요 없이, 실제 비행 데이터를 먹여 학습시키면, 그 데이터가 알려주는 대로 **최고의 조종사 (컨트롤러)**를 자동으로 만들어낸다는 혁신적인 방법입니다."

1. 문제 정의 (Problem Definition)

배경: 선형 2 차 조절기 (LQR, Linear Quadratic Regulator) 는 강인성과 구현의 용이성으로 인해 제어 공학에서 널리 사용되지만, 전통적인 설계 방법은 시스템의 동역학 행렬 (A, B) 에 대한 완전한 지식을 전제로 합니다.
한계:
- 많은 실제 시스템 (특히 비선형 시스템이나 복잡한 항공기) 에서는 정확한 수학적 모델을 사전에 알기 어렵거나, 모델 식별 (System Identification) 과정이 비용이 많이 들고 복잡합니다.
- 기존 데이터 기반 제어 방법론 중 상당수는 이산 시간 (discrete-time) 시스템을 가정하거나, 온라인 (on-policy) 방식으로 실시간 제어기 업데이트를 요구하여 임베디드 시스템의 계산 자원 부족이나 펌웨어 수정 제한 등의 문제를 야기합니다.
- 실제 데이터는 항상 노이즈를 포함하고 있으며, 기존 방법들은 이러한 노이즈에 민감할 수 있습니다.
목표: 시스템 동역학 (A, B 행렬) 을 전혀 알지 못하더라도, 유한한 길이의 임의의 입력 - 출력 데이터 샘플만을 사용하여 연속 시간 (continuous-time) 시스템에 대한 최적의 무한 시간 구간 LQR 피드백 제어기를 직접 합성하는 알고리즘 개발.

2. 방법론 (Methodology)

논문은 최적 가치 함수 (Value Function) 의 동역학에 대한 **필요 조건 (Necessary Condition)**을 기반으로 한 제약 최적화 문제를 제시합니다.

핵심 이론 (Theorem 1):
- LQR 문제에서 최적 가치 함수 $V(x) = x^T P x$ 는 임의의 궤적에 대해 특정 미분 방정식을 만족해야 함을 증명합니다.
- 이 식은 시스템 행렬 $A$ 에 의존하지 않으며, 대신 상태 $x$ , 제어 입력 $u$ , 그리고 최적 이득 행렬 $K$ 와 리카티 해 $P$ 의 관계로 표현됩니다.
- 식: $\dot{V}(\hat{x}) = \hat{x}^T K^T R K \hat{x} - \hat{x}^T Q \hat{x} + 2\hat{x}^T K^T R \hat{u}$
데이터 기반 합성 알고리즘:
- 이산화 및 근사: 위 연속 시간 조건을 유한 차분 (Finite Difference, 예: 오일러 방법) 을 사용하여 이산화합니다.
- 제약 최적화 문제 (NLP) 구성:
  - 목적 함수: 관측된 출력 데이터 ( $Y$ ) 와 추정된 상태 ( $X$ ) 간의 오차 제곱 합을 최소화 (노이즈에 대한 강인성 확보).
  - 제약 조건: 위 이론에서 유도된 동역학 제약식을 모든 샘플 시간에서 만족하도록 강제합니다.
  - 변수: $P$ 는 $L^T L$ 형태로 파라미터화하여 양의 준정부호 (Positive Semi-Definite) 성질을 자동으로 만족시킵니다.
- 해법: 비선형 프로그래밍 (NLP) 솔버 (IPOPT) 를 사용하여 최적의 피드백 이득 $K$ 와 $P$ 를 동시에 계산합니다.
확장 적용:
1. 모델 프리 참조 추종 (Reference Tracking): 정상 상태 오차를 제거하기 위한 전향 이득 (Feedforward gain, $F$ ) 을 함께 계산하여 참조 명령 ( $r$ ) 을 추종하는 제어기 구조 ($u = -K(x-Hr) + Fr$) 를 구현합니다.
2. 혼합 모델 (Mixed-Model): 시스템의 일부 동역학 (예: 작동기 모델) 은 알려져 있고 나머지는 모르는 경우, 알려진 부분을 통합하여 최적 이득을 계산하는 방법을 제안합니다.

3. 주요 기여 (Key Contributions)

모델 프리 연속 시간 LQR 합성: 시스템 모델 (A, B) 없이 연속 시간 데이터만으로 최적 LQR 제어기를 직접 도출하는 이론적 근거와 알고리즘을 제시했습니다.
노이즈 강인성: 상태 궤적을 명시적으로 추정하지 않고 제약 조건을 '암시적 (Implicit)'으로 처리하여, 실제 센서 데이터의 노이즈에 대해 매우 강인한 성능을 보입니다.
실제 비행 검증: 이론적 타당성뿐만 아니라, 실제 소형 무인 항공기 (UAV) 를 이용한 비행 실험을 통해 알고리즘의 실용성을 입증했습니다.
범용성: 단순한 안정화뿐만 아니라 참조 추종 (Reference Tracking) 과 부분 모델이 알려진 혼합 모델 문제까지 포괄하는 일반화된 프레임워크를 제공합니다.

4. 결과 (Results)

논문은 두 가지 시나리오를 통해 방법을 검증했습니다.

시뮬레이션 검증 (A-4D 스카이호크 모델):
- 선형 시스템: 알려진 A-4D 항공기 모델에서 생성된 데이터로 모델 프리 제어기를 설계한 결과, 전통적인 LQR 해법 (Ground Truth) 과 거의 동일한 이득 행렬 ( $K$ ) 과 전향 이득 ( $F$ ) 을 도출했습니다.
- 혼합 모델: 작동기 동역학을 추가한 모델에서도 실제 LQR 해와 매우 유사한 성능을 보이며, 폐루프 응답이 정확히 일치함을 확인했습니다.
실제 비행 실험 (Subscale UAV):
- 대상: Freewing AL37 (Boeing 737 기반 1/19 스케일 UAV).
- 환경: 바람이 불고 노이즈가 많은 실제 비행 조건에서, 시스템 동역학에 대한 지식 없이 IMU 데이터만으로 롤 (Roll) 각도 제어기를 설계했습니다.
- 성과:
  - 데이터 수집 비행 (TF1) 에서 수집된 노이즈가 포함된 데이터로 제어기를 합성했습니다.
  - 검증 비행 (TF2) 에서 설계된 제어기는 바람이 강한 조건에서도 조종사의 명령을 정밀하게 추종하며, 정상 상태 오차가 거의 없음을 확인했습니다.
  - 복잡한 8 자 비행 궤적 수행 시에도 안정적인 성능을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

실용적 가치: 항공우주 분야, 특히 저비용 소형 UAV 와 같이 고정밀 모델링이 경제적으로나 기술적으로 불가능한 경우에 모델 식별 단계를 생략하고 데이터만으로 최적 제어기를 설계할 수 있는 길을 열었습니다.
기술적 혁신: 기존 강화 학습 (RL) 기반 방법들이 요구하는 복잡한 온라인 학습 과정이나 시뮬레이션 의존성을 줄이고, 오프라인 데이터 처리를 통해 안정적이고 계산 효율적인 제어기를 제공합니다.
미래 전망: 데이터 수집을 위한 기준 (Persistent Excitation 등) 을 정량화하고, 실시간 (Real-time) 적응 제어기로의 확장을 통해 변화하는 비행 환경에서도 작동하는 강인한 제어 시스템 개발의 기초를 마련했습니다.

이 논문은 이론적 엄밀함과 실제 비행 검증의 성공을 결합하여, 데이터 기반 제어 (Data-Driven Control) 가 실제 공학적 문제에 적용 가능한 강력한 도구임을 입증했습니다.