Online Tracking with Predictions for Nonlinear Systems with Koopman Linear Embedding

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

1. 문제 상황: 미지의 길을 걷는 로봇

상상해 보세요. 여러분이 완전히 낯선 산을 걷고 있다고 칩시다.

상황: 산의 지형은 매우 복잡하고, 돌부리나 경사는 예측하기 어렵습니다 (비선형 시스템).
목표: 여러분은 산 정상에 있는 이동하는 목표물을 따라가야 합니다.
제약: 여러분은 목표물이 앞으로 어떻게 움직일지 모두 알 수 없습니다. 다만, 앞으로 100 미터 정도만 어디로 갈지 대략적인 지도 (예측) 를 받습니다.
과제: 이 짧은 지도를 보고, 가장 적은 에너지를 쓰면서 목표물을 최대한 잘 따라가야 합니다.

기존의 방법들은 이 복잡한 산길을 미리 완벽하게 지도로 그려서 (모델을 만들어서) 가거나, 아니면 선형적인 직선 도로처럼 단순하게 가정하고 접근했습니다. 하지만 현실은 그 둘 다 아닙니다.

2. 해결책: "투명 유리 상자"에 담기 (쿠퍼만 리프팅)

이 논문의 핵심 아이디어는 **"복잡한 것을 단순하게 보이게 하는 마법"**입니다.

비유: 복잡한 산길 (비선형 시스템) 을 그대로 따라가려니 너무 어렵습니다. 하지만 만약 이 산길을 투명한 유리 상자 안에 넣고, 그 상자를 3 차원 공간으로 들어 올려 보면 어떨까요?
쿠퍼만 (Koopman) 리프팅: 이 논문은 "아, 이 복잡한 산길은 사실 **높은 곳 (고차원 공간)**에서 보면 완벽한 직선으로 변한다!"는 사실을 이용합니다.
- 바닥에서 보면 구불구불한 길이지만, 공중에서 내려다보면 곧은 선이 되는 것처럼요.
- 이렇게 복잡한 비선형 문제를 단순한 선형 문제 (직선) 로 변환하면, 우리가 이미 잘 아는 수학 도구들을 쓸 수 있게 됩니다.

3. 방법론: 지도 없이도 길을 찾는 법 (데이터 기반 예측 제어)

그런데 여기서 문제가 하나 더 생깁니다. "그 유리 상자를 만드는 마법 (리프팅 함수) 이 뭔지, 그리고 그 상자가 어떻게 움직이는지 (시스템 모델) 를 정확히 모른다"는 점입니다.

기존 방식: "이 산의 지형도를 먼저 완벽하게 그려야 해!" (모델 식별) -> 시간이 너무 오래 걸리고, 틀릴 수도 있습니다.
이 논문의 방식 (윌렘스 기본 보조정리 활용): "지형도를 그릴 필요 없어! **과거에 우리가 걸어왔던 발자국 (데이터)**만 보면 돼!"
- 과거에 산을 몇 번 걸어본 기록 (데이터) 이 있다면, 그 기록들을 조합해서 "다음 발걸음이 어디로 가야 할지"를 계산할 수 있습니다.
- 마치 레고 블록을 쌓아올려 새로운 모양을 만드는 것처럼, 과거의 데이터 조각들을 이어붙여 미래의 경로를 예측합니다.

4. 성능: 얼마나 잘 따라갈까? (동적 후회)

이 방법이 정말 잘 작동하는지 확인하기 위해 **'동적 후회 (Dynamic Regret)'**라는 지표를 썼습니다.

비유: "만약 내가 과거의 모든 정보를 다 알았다면 (후회), 얼마나 더 잘할 수 있었을까?"를 계산하는 것입니다.
결과: 이 알고리즘은 **예측을 보는 거리 (예측 지평선)**가 길어질수록, 실수가 기하급수적으로 줄어듭니다.
- 짧은 예측: "앞 10 미터만 봐" -> 실수가 좀 납니다.
- 긴 예측: "앞 100 미터까지 봐" -> 실수가 거의 사라집니다.
- 특히, 예측 거리를 조금만 늘려도 실수가 지수함수적으로 (폭발적으로) 감소한다는 것을 수학적으로 증명했습니다.

5. 실험 결과: 실제 로봇 테스트

저자들은 이 이론을 실제 두 바퀴 로봇에게 적용해 보았습니다.

로봇이 하트 모양의 길을 따라가게 했습니다.
로봇은 복잡한 회전과 방향 전환을 해야 했지만, 이 알고리즘을 쓰자 예측 거리를 길게 잡을수록 하트 모양을 훨씬 정확하고 부드럽게 따라갔습니다.
심지어 이 방법은 쿠퍼만 변환이 완벽하지 않은 일반적인 비선형 시스템에서도 데이터만 풍부하면 잘 작동한다는 것을 보여주었습니다.

6. 요약: 이 논문이 우리에게 주는 메시지

복잡한 문제는 단순한 공간에서 해결하라: 비선형적인 복잡한 문제도, 적절한 관점 (리프팅) 을 바꾸면 단순한 직선 문제가 될 수 있습니다.
모델은 필요 없다: 시스템의 정확한 공식 (모델) 을 알지 못해도, 과거의 데이터만 충분히 있다면 미래를 예측하고 제어할 수 있습니다.
예측이 핵심이다: 미래를 조금 더 멀리 내다볼수록 (예측 지평선 증가), 현재의 실수는 기하급수적으로 줄어듭니다.

한 줄 요약:

"복잡한 미로를 걷는 로봇에게, 정확한 지도 대신 과거의 발자국 데이터와 조금 먼 미래의 예측만 주면, 로봇은 스스로 가장 빠른 길을 찾아내어 목표물을 완벽하게 따라갈 수 있다!"

이 연구는 자율주행차, 드론, 로봇 팔 등 예측이 어렵고 복잡한 환경에서 작동하는 지능형 시스템의 성능을 획기적으로 높여줄 수 있는 이론적 토대를 마련했습니다.

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

1. 문제 정의 (Problem Setup)

배경: 로봇 공학, 자율 시스템, 적응 제어 등 많은 실제 응용 분야에서 에이전트는 미래의 목표 궤적에 대한 완전한 정보를 가지지 못하며, 시스템의 정확한 동역학 모델도 알지 못하는 경우가 많습니다. 대신, 미래 목표 상태에 대한 짧은 시간 범위 (Short-horizon) 의 예측만 제공됩니다.
목표: 에이전트는 시간 $t$ 마다 현재 상태 $z_t$ 와 미래 $W$ 단계의 목표 예측 $r_{t:t+W-1}$ 을 관측하고, 제어 입력 $u_t$ 를 선택하여 시스템이 변화하는 목표 궤적을 따라가도록 해야 합니다.
비용 함수: 추적 오차 ( $\|z_t - r_t\|^2_{Q_z}$ ) 와 제어 노력 ( $\|u_t\|^2_R$ ) 의 합을 최소화하는 것이 목표입니다.
성능 지표: 정적 후회가 아닌 **동적 후회 (Dynamic Regret)**를 사용합니다. 이는 온라인 제어기의 누적 비용과, 사후 (Hindsight) 에 전체 목표 궤적과 시스템 동역학을 알고 있을 때 최적의 비인과적 (Noncausal) 제어 시퀀스를 선택했을 때의 비용 간의 차이를 측정합니다. 이는 비정상적이고 적대적인 환경에서 제어기의 적응 능력을 평가하는 데 적합합니다.

2. 핵심 방법론 (Methodology)

이 논문은 비선형 시스템을 고차원 공간으로 변환하여 선형 동역학으로 표현할 수 있는 쿠퍼만 (Koopman) 연산자 이론을 기반으로 합니다.

가. 쿠퍼만 선형 임베딩 (Koopman Linear Embedding)

비선형 시스템 $z_{t+1} = f(z_t, u_t)$ 이 존재하는 경우, 적절한 리프팅 함수 $\psi$ 를 통해 고차원 상태 $x_t = \psi(z_t)$ 로 변환하면 동역학이 선형이 됩니다:
$x_{t+1} = A x_t + B u_t, \quad z_t = C x_t$
이 구조를 활용하면 원래의 비선형 추적 문제를 리프팅된 공간에서의 선형 2 차 추적 (Linear Quadratic Tracking, LQT) 문제로 재구성할 수 있습니다.

나. 모델 프리 예측 제어 알고리즘 (Model-Free Predictive Control)

Willems' Fundamental Lemma 확장: 시스템 모델 ( $f$ 또는 $\psi$ ) 을 알지 못하더라도, 오프라인에서 수집된 충분한 길이의 입력 - 상태 궤적 데이터 $(u_d, z_d)$ 를 사용하여 시스템의 동역학 제약을 직접 표현합니다.
데이터 기반 MPC (DDPC):
- 알고리즘 1 은 예측 구간 $W$ 동안의 제어 입력을 최적화하는 2 차 계획법 (Quadratic Program) 을 매 시간 단계에서 풉니다.
- 제약 조건은 오프라인 데이터 행렬 $H_d$ 와 현재 초기 상태 데이터를 사용하여 구성되며, 명시적인 시스템 식별이나 리프팅 함수 선택이 필요하지 않습니다.
- 이론적으로 이 데이터 기반 접근법은 알려진 동역학을 가진 비선형 MPC(N-MPC) 및 리프팅 선형 MPC(L-MPC) 와 동일한 제어 행동을 생성함이 증명되었습니다.

3. 주요 기여 (Key Contributions)

비선형 - 선형 동적 후회 동등성 증명:
- 쿠퍼만 임베딩이 존재하는 시스템에 대해, 원래 비선형 문제의 동적 후회와 리프팅된 선형 문제의 동적 후회가 정확히 일치함을 증명했습니다 (Lemma 3.1, Corollary 3.1).
- 이를 통해 복잡한 비선형 시스템의 성능 분석을 잘 연구된 선형 제어 이론을 통해 수행할 수 있게 되었습니다.
최초의 동적 후회 상한 (Dynamic Regret Bound) 제시:
- 알려진 선형 동역학이 아닌, 미지의 쿠퍼만 선형화 가능 비선형 시스템에 대한 온라인 제어의 동적 후회 보장을 최초로 제공했습니다 (Theorem 5.1).
- 결과: 동적 후회는 전체 시간 구간 $T$ 에 대해 선형으로 증가하지만, 예측 구간 $W$ 에 대해서는 지수적으로 감소합니다.
- 구체적으로, $W = \Theta(\log T)$ 정도의 예측 구간만으로도 상수 수준의 후회 ( $O(1)$ ) 를 달성할 수 있음을 보였습니다.
새로운 안정성 보장 메커니즘:
- 기존 MPC 분석은 종종 안정성을 보장하기 위해 설계된 **종단 비용 (Terminal Cost)**에 의존합니다.
- 반면, 이 논문은 충분히 긴 예측 구간 (Prediction Horizon) 자체가 시스템 안정성을 보장함을 보였습니다. 이는 쿠퍼만 리프팅 구조의 고유한 특성입니다.
- 또한, 대부분의 후회 분석이 양의 정부호 (Positive Definite) 단계 비용을 요구하는 반면, 쿠퍼만 구조에서는 리프팅 비용 행렬이 양의 준정부호 (Positive Semidefinite) 일 수 있어, 이 논문은 약한 가정 (준정부호 비용 및 검출 가능성) 하에서도 결과가 성립함을 증명했습니다.

4. 실험 및 결과 (Results)

수치 실험:
- 쿠퍼만 선형화 가능한 비선형 시스템 (2 차원 비선형 시스템 예시) 에 대해 데이터 기반 예측 제어 (DDPC) 를 적용했습니다.
- 예측 구간 ( $W$ ) 의 영향: 예측 구간이 길어질수록 추적 오차가 감소하고 목표 궤적에 더 빠르게 수렴하는 것을 확인했습니다.
- 동적 후회: 예측 구간 $W$ 가 증가함에 따라 동적 후회가 지수적으로 감소하는 경향을 보였으며, 이는 이론적 결과 (Theorem 5.1) 와 일치합니다.
- 제어 비용 가중치 ( $R$ ) 와 목표 크기 ( $M$ ) 가 감소율에 영향을 미침을 관찰했습니다.
확장성 (부록 D):
- 쿠퍼만 선형화가 정확하지 않은 시스템 (2 바퀴 로봇의 경로 추적) 에 대해서도, 지역적 선형 근사를 위해 데이터 라이브러리를 상태에 따라 전환 (Switching) 하는 방식으로 알고리즘을 적용하여 유효성을 검증했습니다.

5. 의의 및 결론 (Significance)

이론적 의의: 비선형 시스템의 온라인 제어에 대한 동적 후회 분석의 지평을 넓혔습니다. 특히, 모델이 불확실하고 예측 정보만 있는 환경에서도 쿠퍼만 구조를 활용하면 선형 시스템과 유사한 강력한 성능 보장을 얻을 수 있음을 보여주었습니다.
실용적 의의:
- 시스템 식별 (System Identification) 이나 복잡한 리프팅 함수 설계 없이, 오프라인 데이터만으로 강력한 추적 제어기를 설계할 수 있음을 입증했습니다.
- 종단 비용 설계 없이도 예측 구간을 길게 함으로써 안정성을 확보할 수 있어, 실제 적용 시 설계 부담을 줄여줍니다.
향후 방향: 외란 (Disturbances) 이 존재하는 환경, 근사적인 쿠퍼만 임베딩, 불완전한 예측 정보, 그리고 다양한 후회 측정 지표에 대한 연구가 필요하다고 제안합니다.

요약하자면, 이 논문은 쿠퍼만 리프팅과 **데이터 기반 예측 제어 (Willems' Lemma)**를 결합하여, 모델을 알지 못하는 비선형 시스템에서도 짧은 예측 정보만으로 최적 제어에 근접하는 성능을 보장하는 이론적 틀과 알고리즘을 제시한 획기적인 연구입니다.