Computing Scaled Relative Graphs of Discrete-time LTI Systems from Data

Each language version is independently generated for its own context, not a direct translation.

이 논문은 공학자들이 복잡한 기계나 시스템을 분석할 때 사용하는 **'새로운 지도 그리기 기술'**에 대한 이야기입니다.

기존에 공학자들은 시스템이 어떻게 작동하는지 알기 위해 '보드 선도 (Bode diagram)'나 '나이퀴스트 선도 (Nyquist diagram)' 같은 복잡한 그래프를 그려왔습니다. 이 논문은 그보다 더 직관적이고 강력한 새로운 도구인 **'스케일드 리레이티브 그래프 (SRG, 줄여서 SRG)'**를 소개하고, 이를 어떻게 데이터만으로 정확하게 그릴 수 있는지를 보여줍니다.

이 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

1. SRG 란 무엇인가요? (시스템의 '성격 지도')

상상해 보세요. 어떤 시스템 (예: 자율주행차의 조향 장치) 이 입력 (핸들 조작) 을 받으면 출력 (바퀴 회전) 을 내뱉습니다.

기존 방법: 이 시스템이 얼마나 민감하게 반응하는지 (이득, Gain) 와 얼마나 늦게 반응하는지 (위상, Phase) 를 따로따로 복잡한 그래프로 확인했습니다.
SRG 의 방법: SRG 는 이 두 가지를 하나로 합쳐서 복소평면 위에 '점'이나 '영역'으로 그려냅니다.

비유:
시스템을 **'매우 독특한 요리사'**라고 생각해보세요.

손님이 "매운맛을 좀 더 주세요 (입력)"라고 하면, 요리사는 "어떤 정도 매운맛을 내줄지 (이득)"와 "얼마나 빨리 내줄지 (위상)"를 결정합니다.
SRG 는 이 요리사의 모든 가능한 반응들을 한 장의 지도에 다 그려놓은 것입니다.
- 지도의 크기는 요리사가 얼마나 강하게 반응하는지 (이득) 를 보여줍니다.
- 지도의 방향은 요리사가 얼마나 빠르게 반응하는지 (위상) 를 보여줍니다.
- 이 지도를 보면, 그 요리사가 "위험한 사람인가 (시스템이 불안정한가)", "안전한 사람인가"를 한눈에 알 수 있습니다.

2. 이 논문이 새로 발견한 것 (데이터로 지도 그리기)

이전까지 SRG 지도를 그리려면 시스템의 **내부 설계도 (수학적 공식, 상태 공간 모델)**를 완벽하게 알아야 했습니다. 마치 요리사의 레시피를 다 알아야만 그가 어떤 요리를 할지 예측할 수 있었던 것과 같습니다.

하지만 이 논문은 **"설계도를 몰라도, 요리사가 실제로 만든 요리를 몇 번 맛보면 그 사람의 성격을 완벽하게 그려낼 수 있다"**고 증명했습니다.

방법 1: 설계도를 아는 경우 (3 절)
- 시스템의 수학적 공식 (A, B, C, D 행렬) 이 주어지면, 컴퓨터가 간단한 계산 (선형 행렬 부등식, LMI) 을 통해 SRG 지도를 정확하게 그려줍니다.
방법 2: 설계도를 모르는 경우 (4 절)
- 시스템이 무엇인지 전혀 모를 때, 그냥 입력 (손님 주문) 과 출력 (나온 요리) 데이터만 모아서 SRG 지도를 그릴 수 있습니다.
- 핵심: 요리사가 충분히 다양한 주문을 받아야 (충분한 자극, Persistent Excitation) 그 사람의 성격을 제대로 파악할 수 있습니다.

3. 소음이 섞인 데이터도 괜찮을까요? (5 절, 강건한 SRG)

현실에서는 데이터에 항상 **오류 (소음)**가 섞여 있습니다. 요리사가 피곤해서 실수를 하거나, 손님이 주문을 잘못 전달하는 경우죠.

문제: 소음이 섞인 데이터로 그린 지도는 실제 시스템의 지도와 다를 수 있습니다.
해결책: 이 논문은 **"소음이 섞여도, 실제 시스템의 지도가 반드시 포함될 정도로 넓은 '안전 지대' 지도"**를 그리는 방법을 제안했습니다.
비유:
- 실제 요리사의 성격을 정확히 알 수는 없지만, "실수할 가능성을 고려해서 최악의 경우에도 안전하도록 넓은 영역을 표시해 두자"는 것입니다.
- 이 넓은 영역 (파란색 영역) 안에는 실제 시스템의 정확한 지도 (주황색 영역) 가 무조건 들어갑니다. 그래서 안전장치를 설계할 때 매우 유용합니다.

4. 예시로 본 결과 (6 절)

논문의 예시에서는 두 가지 흥미로운 사실을 보여줍니다.

같은 지도, 다른 시스템: 두 개의 다른 시스템 (저주파 필터와 고주파 필터) 이 SRG 지도상에서는 완전히 똑같은 모양을 가질 수 있습니다. (요리사의 '성격'은 비슷하지만, '음식 종류'는 다를 수 있음)
소음에 대한 반응 차이: 하지만 소음이 섞인 데이터를 분석하면, 두 시스템의 **'안전 지대' (Robust SRG)**는 서로 다르게 나타납니다. 이는 시스템이 소음을 어떻게 처리하는지에 따라 달라지기 때문입니다.

요약: 이 논문이 왜 중요한가요?

더 쉬운 분석: 복잡한 시스템의 안정성을 복잡한 수식 없이, 직관적인 '지도'로 볼 수 있게 해줍니다.
데이터 기반 (Data-Driven): 시스템의 내부 구조를 알지 못해도, 단순히 데이터를 모으기만 하면 시스템을 분석할 수 있습니다. (블랙박스 시스템 분석 가능)
안전성 보장: 실제 데이터에 소음이 섞여 있어도, 시스템이 안전하다는 것을 보장하는 '안전한 지도'를 그릴 수 있습니다.

한 줄 요약:

"이 논문은 시스템의 복잡한 성격을 **'지도'**로 그려주는 새로운 방법을 개발했고, 설계도 없이 데이터만으로도 그 지도를 그릴 수 있으며, 오류가 있어도 안전한 지도를 그릴 수 있음을 증명했습니다."

이 기술은 자율주행차, 로봇, 전력망 등 복잡한 시스템을 더 안전하고 효율적으로 설계하는 데 큰 도움이 될 것입니다.

Each language version is independently generated for its own context, not a direct translation.

1. 문제 정의 (Problem)

배경: 제어 이론에서 시스템 분석을 위해 나이퀴스트 (Nyquist) 및 보드 (Bode) 다이어그램과 같은 그래픽 방법이 오랫동안 핵심적인 역할을 해왔습니다. 최근, 최적화 알고리즘의 수렴성을 증명하기 위해 도입된 스케일된 상대 그래프 (Scaled Relative Graph, SRG) 가 동적 시스템 분석을 위한 유망한 도구로 부상했습니다. SRG 는 선형 및 비선형 MIMO 시스템의 안정성, 강인성 분석, 적분 2 차 제약 (IQC), 소산성 (dissipativity) 등 다양한 제어 이론 분야에서 활용됩니다.
현황 및 한계: 기존 SRG 계산 연구는 주로 연속 시간 (Continuous-time) 시스템이나 힐베르트 공간의 유계 선형 연산자에 초점을 맞추었습니다. 그러나 실제 제어 시스템은 대부분 이산 시간 (Discrete-time) 으로 모델링되며, 상태 공간 표현 (State-space representation) 을 가집니다. 또한, 시스템의 수학적 모델 (A, B, C, D 행렬) 을 알 수 없는 경우나 측정 노이즈가 포함된 데이터만 존재하는 상황에서의 SRG 계산 방법은 명확히 정립되지 않았습니다.
목표: 본 논문은 이산 시간 선형 시불변 (LTI) 시스템의 SRG 를 상태 공간 표현을 기반으로 정확히 계산하는 방법을 제시하고, 나아가 모델 없이 오직 입출력 데이터만으로 SRG 를 계산하는 방법, 그리고 노이즈가 포함된 데이터로부터 실제 시스템의 SRG 를 포함하는 강인한 (Robust) SRG를 추정하는 방법을 개발하는 것을 목표로 합니다.

2. 방법론 (Methodology)

논문은 크게 세 가지 접근 방식을 통해 SRG 를 계산하는 방법을 제시합니다.

2.1. 상태 공간 기반 SRG 계산 (Theorem 1)

이산 시간 LTI 시스템 $x_{k+1} = Ax_k + Bu_k, y_k = Cx_k + Du_k$ 에 대해 정의된 두 가지 연산자 ( $T_\tau$ : 유한 시간 구간, $T$ : 무한 시간 구간) 를 고려합니다.
SRG 는 연산자의 최대 이득 (Maximum gain, $\bar{\sigma}$ ) 과 최소 이득 (Minimum gain, $\underline{\sigma}$ ) 을 통해 결정됩니다.
선형 행렬 부등식 (LMI) 을 사용하여 이 이득들을 계산합니다.
- 최대 이득 $\bar{\sigma}(T)$ 는 $P \succeq 0$ 인 조건 하에서 특정 LMI 가 성립하는 최소 $\gamma$ 로 구합니다 (Bounded Real Lemma 활용).
- 최소 이득 $\underline{\sigma}(T)$ 는 역시스템 (Inverse system) 의 최대 이득을 통해 구하며, 이를 위한 LMI 도 유도됩니다.
Corollary 1 에 따라, 다양한 $\alpha$ 에 대해 $T - \alpha I$ 의 이득을 계산하여 SRG 영역을 구성합니다.

2.2. 데이터 기반 SRG 계산 (Theorem 2)

시스템 모델 ( $A, B, C, D$ ) 을 알지 못하지만, 입출력 데이터 시퀀스 $(u_k, y_k)$ 만 존재하는 상황을 가정합니다.
지속적 여기 (Persistently Exciting) 조건을 만족하는 입력 데이터와 시스템의 지연 (Lag) 정보를 활용합니다.
Hankel 행렬과 데이터 행렬 ( $\Xi, \Xi_+, U_\Xi, Y_\Xi$ ) 을 구성하여, 상태 공간 기반의 LMI 를 데이터 기반 LMI로 변환합니다.
이를 통해 모델 없이도 최대/최소 이득을 계산하고 SRG 를 정확히 도출할 수 있음을 증명합니다.

2.3. 노이즈가 포함된 데이터로부터의 강인한 SRG (Theorem 3)

실제 데이터는 프로세스 노이즈 ( $v_k$ ) 를 포함합니다. 노이즈가 특정 집합 (Assumption 1, S-lemma 기반) 에 속한다고 가정합니다.
노이즈의 영향을 모델링하기 위해 불확실성 집합 (Uncertainty Set) 을 정의하고, 이 집합 내의 모든 가능한 시스템에 대해 성립하는 SRG 상한/하한을 계산합니다.
강인 제어 (Robust Control) 기법을 적용하여, 노이즈가 있는 데이터로부터 실제 시스템의 SRG 를 반드시 포함하는 강인한 SRG (Robust SRG) 를 계산하는 LMI 조건을 유도합니다. 이는 실제 SRG 를 과대평가 (Over-approximation) 하되, 불필요하게 보수적이지 않도록 설계됩니다.

3. 주요 기여 (Key Contributions)

이산 시간 LTI 시스템에 대한 SRG 계산 확장: 기존 연속 시간 또는 일반 연산자 이론에 국한되었던 SRG 계산 방법을, 상태 공간 표현을 가진 이산 시간 LTI 시스템으로 확장하여 LMI 를 통해 정확히 계산하는 방법을 제시했습니다.
완전 데이터 기반 (Fully Data-driven) 접근법: 시스템 모델을 전혀 알지 못하는 상황에서도, 충분한 정보를 가진 입출력 데이터 시퀀스 하나만으로 SRG 를 정확히 계산할 수 있음을 보였습니다.
강인한 SRG (Robust SRG) 도입: 노이즈가 포함된 데이터로부터 실제 시스템의 SRG 를 포함하는 보수적이지만 신뢰할 수 있는 SRG 영역을 계산하는 방법을 개발했습니다. 이는 실제 제어 시스템 설계에서 노이즈 영향을 고려한 안정성 분석에 필수적입니다.
이론적 연결: SRG 계산과 소산성 (Dissipativity) 이론, 그리고 데이터 기반 제어 (Data-driven control) 간의 연결 고리를 강화했습니다.

4. 결과 (Results)

수치 예시 (Section 6):
- 불안정 MIMO 시스템: 상태 공간 모델 기반 (Theorem 1) 과 데이터 기반 (Theorem 2) 으로 계산된 SRG 가 정확히 일치함을 확인했습니다. 또한, 노이즈가 포함된 데이터로 계산된 강인한 SRG 는 실제 SRG 를 완전히 포함하는 더 넓은 영역을 형성함을 보였습니다.
- 저역/고역 통과 필터: 동일한 SRG 를 가지지만 주파수 응답 특성이 다른 두 시스템 (저역/고역 통과 필터) 을 비교했습니다. 노이즈 모델이 저주파 노이즈에 더 민감하게 작용하도록 설정되었을 때, 두 시스템의 강인한 SRG 모양이 다르게 나타남을 보여주었습니다. 이는 SRG 가 주파수 매핑의 차이를 반영할 수 있음을 시사합니다.
정확성 및 효율성: LMI 기반 접근법은 수치적으로 효율적으로 해결 가능하며, SRG 의 기하학적 구조 (이득과 위상) 를 명확하게 시각화합니다.

5. 의의 및 중요성 (Significance)

실용적 적용 가능성: 실제 산업 현장에서는 시스템의 정확한 수학적 모델을 얻기 어렵거나, 센서 노이즈가 불가피합니다. 본 논문에서 제시한 데이터 기반 및 강인한 SRG 계산법은 이러한 불확실성 하에서도 시스템의 안정성과 성능을 그래픽적으로 분석할 수 있는 강력한 도구를 제공합니다.
비선형 및 MIMO 시스템 분석의 확장: SRG 는 비선형 시스템 분석에도 유용한 도구입니다. 본 연구는 LTI 시스템에 대한 정확한 계산법을 정립함으로써, 더 복잡한 비선형 시스템이나 MIMO 시스템의 SRG 분석을 위한 기초를 마련했습니다.
제어 설계의 새로운 패러다임: 전통적인 주파수 영역 분석 (Bode/Nyquist) 을 넘어, 2 차원 기하학적 관점 (SRG) 에서 시스템을 분석하고, 이를 데이터로부터 직접 유도할 수 있게 함으로써 데이터 중심 제어 (Data-Driven Control) 의 이론적 기반을 강화했습니다.

요약하자면, 이 논문은 이산 시간 LTI 시스템의 SRG 를 모델 기반, 데이터 기반, 그리고 노이즈가 있는 데이터 기반의 세 가지 시나리오에서 계산할 수 있는 체계적인 프레임워크를 제시하여, 현대 제어 이론의 그래픽 분석 도구를 실용적이고 강인한 형태로 발전시켰다는 점에서 의의가 큽니다.