Inverse Learning-Based Output Feedback Control of Nonlinear Systems with Verifiable Guarantees

이 논문은 커널 보간을 통해 식별된 역모델과 데이터 기반 기준 선택 프레임워크를 활용하여 잡음이 없는 입출력 측정 데이터만으로 비선형 시스템의 실용적 출력 조절을 보장하는 검증 가능한 조건을 제시하는 데이터 기반 출력 피드백 제어기를 제안합니다.

핵심

이 논문은 **"복잡한 기계의 작동 원리를 완벽하게 몰라도, 데이터만 있으면 그 기계를 원하는 대로 정밀하게 조종할 수 있는 새로운 방법"**을 소개합니다.

기존의 방법들은 기계를 조종하기 위해 먼저 수학 공식을 통해 기계의 정확한 작동 원리 (모델) 를 찾아내야 했습니다. 하지만 현실 세계의 복잡한 기계 (예: 비행기, 로봇, 화학 공장) 는 원리를 파악하는 것이 너무 어렵거나 비용이 많이 듭니다. 이 논문은 **"원리를 알 필요 없이, 과거의 성공적인 경험 (데이터) 을 바탕으로 AI 가 직접 배우고 조종한다"**는 아이디어를 제시합니다.

이 내용을 일상적인 비유로 설명해 드리겠습니다.

---

1. 핵심 아이디어: "거꾸로 배우는 요리사" (Inverse Learning)

일반적인 요리사 (기존 제어 방식) 는 다음과 같이 생각합니다.

"내가 이 재료를 넣고 (입력), 이런 조리법을 쓰면 (모델), 어떤 요리가 나올까? (출력)"
→ "내가 원하는 요리를 만들려면, 어떤 재료를 얼마나 넣어야 할까?"를 계산해야 합니다.

하지만 이 논문의 방식은 거꾸로 생각합니다.

"내가 **이런 요리 (목표 출력)**를 만들고 싶고, 지금 **이런 재료 상태 (현재 상태)**라면, **어떤 조리법 (입력)**을 써야 할까?"

이를 **'역모델 (Inverse Model)'**이라고 합니다. 마치 요리사가 "이 요리를 만들려면 어떤 재료를 넣어야 하지?"라고 역으로 생각하며 레시피를 짜는 것과 같습니다.

2. 데이터로 배우는 과정: "요리 레시피 책 만들기" (Kernel Interpolation)

이 요리사는 처음부터 모든 것을 알지 못합니다. 대신, 과거에 다른 요리사들이 성공적으로 요리를 만든 **레시피 노트 (데이터)**를 가지고 있습니다.

• 학습: 과거의 노트를 보며 "A 상태의 재료에 B 요리를 만들려면 C 양의 소스를 넣었다"는 패턴을 찾아냅니다.
• 핵심 기술 (커널 보간법): 이 기술은 마치 "유리창을 통해 멀리 있는 물체를 보듯" 작동합니다. 내가 지금 있는 위치와 과거 레시피에 있는 위치가 비슷하다면, 그 레시피를 그대로 적용해도 거의 틀리지 않을 것이라고 예측합니다.
• 장점: 이 방법은 단순히 "대충 비슷할 것"이라고 추측하는 게 아니라, **"얼마나 오차가 있을지 수학적으로 계산해 둔다"**는 점이 가장 큰 특징입니다.

3. 안전한 조종: "안전지대 지도 그리기" (Verifiable Guarantees)

여기서 가장 중요한 부분이 나옵니다. AI 가 "내 생각엔 이걸 넣으면 될 것 같아"라고 말한다고 해서 무작정 믿을 수 있을까요?

이 논문은 **"데이터가 얼마나 촘촘하게 쌓여있으면, AI 가 실수 없이 안전하게 조종할 수 있는지"**를 미리 계산해 주는 안전지대 지도를 그리는 방법을 제시합니다.

• 비유: 우리가 길을 갈 때, "저기 저 나무 근처에 서 있으면 안전할 거야"라고 말하는 대신, **"이 나무에서 10 미터 이내라면 절대 넘어지지 않는다"**는 명확한 안전 범위를 표시해 주는 것과 같습니다.
• 실제 적용: 컴퓨터는 "지금 내 상태가 과거 데이터 중 어디에 가장 가깝고, 그 데이터가 안전한지"를 실시간으로 확인합니다. 만약 데이터가 너무 빽빽하지 않아 안전지대가 확보되지 않으면, 더 많은 데이터를 모으라고 경고합니다.

4. 실제 실험: "거꾸로 달리는 자전거" (Inverted Pendulum)

논문에서는 이 방법을 **서 있는 자전거 (역진자)**를 조종하는 데 적용해 보았습니다.

• 상황: 자전거는 넘어지기 쉽기 때문에 매우 빠르게 핸들을 조작해야 합니다.
• 결과: 이 새로운 AI 조종사는 과거의 데이터만 보고도 자전거를 넘어지지 않게 세울 수 있었습니다. 심지어 **소음이 심한 상황 (시계가 흐릿하거나 바람이 불어 데이터가 흔들릴 때)**에서도 기존 방식보다 더 잘 버텨냈습니다.

---

요약: 이 논문이 왜 특별한가요?

1. 모델 불필요: 복잡한 수학 공식으로 기계의 원리를 다룰 필요 없이, 데이터만 있으면 됩니다.
2. 안전 보장: "AI 가 잘할 것 같아"라는 막연한 기대가 아니라, "이 데이터라면 100% 안전하다"는 것을 수학적으로 증명할 수 있습니다.
3. 실용성: 소음이 있거나 데이터가 불완전한 상황에서도 잘 작동하도록 설계되었습니다.

한 줄 요약:

"이 방법은 복잡한 기계의 작동 원리를 몰라도, 과거의 성공적인 경험 (데이터) 을 바탕으로 **'안전지대 지도'**를 그려주어, AI 가 실수 없이 기계를 원하는 대로 조종하게 해주는 데이터 기반의 안전 조종사입니다."

기술 요약

이 논문은 **비선형 시스템의 데이터 기반 출력 피드백 제어 (Data-driven Output Feedback Control)**를 제안하며, 특히 **검증 가능한 이론적 보장 (Verifiable Guarantees)**을 갖춘 실용적인 출력 조절 (Output Regulation) 방법을 다룹니다. 제안된 방법은 노이즈가 없는 입력/출력 측정 데이터를 활용하여 시스템을 학습하고, 이를 기반으로 제어기를 설계합니다.

주요 내용은 다음과 같습니다.

1. 문제 정의 (Problem Formulation)

• 목표: 비선형 자기회귀 외생 (NARX) 모델로 표현된 이산 시간 시스템에서, 주어진 정확도 $\delta$ 내에서 유한 시간 내에 출력을 조절하는 (Practical Output Regulation) 데이터 기반 제어기를 설계하는 것입니다.
• 제약 조건: 시스템의 수학적 모델 ($f$) 은 알려져 있지 않으며, 전체 상태 (Full State) 측정이 불가능합니다. 오직 과거의 입력/출력 데이터만 사용해야 합니다.
• 핵심 난제: 기존 데이터 기반 제어 방법들은 모델 예측 제어 (MPC) 와 같은 최적화 문제를 풀어야 하거나, 폐루프 안정성을 보장하기 위한 조건 (예: LMI, SOS 조건) 을 검증하기가 매우 어렵거나 계산 비용이 많이 듭니다. 또한, 역모델 (Inverse Model) 을 학습하더라도 참조 궤적 (Reference Trajectory) 이 시스템 동역학상 실현 가능한지 (Feasible) 판단하기 어렵다는 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

제안된 제어기는 두 가지 핵심 요소로 구성됩니다:

A. 커널 보간법 (Kernel Interpolation, KI) 을 통한 역모델 학습

• 시스템의 **역모델 (Inverse Model)**을 학습합니다. 역모델 $c$는 원하는 출력 $y^+$와 현재 확장 상태 (Augmented State, 과거 입력/출력) $\zeta$를 입력받아 해당 제어 입력 $u$를 출력하는 함수입니다.
• **커널 보간법 (KI)**을 사용하여 역모델을 추정합니다. KI 는 데이터 포인트 간의 유사성을 측정하는 커널 함수를 기반으로 하며, 재현 커널 힐베르트 공간 (RKHS) 이론을 통해 학습된 모델과 실제 모델 사이의 **오차 상한 (Error Bound)**을 명시적으로 제공합니다.
• 학습된 역모델 $\hat{c}$는 제어기 $u(t) = \hat{c}([y_r(t+1); \zeta(t)])$의 핵심 구성 요소가 됩니다.

B. 데이터 기반 참조 선택 프레임워크 (Data-driven Reference Selection)

• 학습에 사용된 데이터셋에서 **적합한 참조 출력 ($y_r$)**을 능동적으로 선택하는 전략을 도입합니다.
• 역 reachable set (Backward Reachable Set) 개념을 확장하여, 현재 상태 $\zeta(t)$가 데이터 포인트 $\zeta_i$의 근방에 있을 때, 해당 데이터 포인트의 출력 $y^+_i$를 참조로 선택하면 다음 상태가 목표 영역으로 수렴함을 보장합니다.
• 검증 가능한 충분 조건: 학습된 역모델의 오차 상한 ($\eta$) 과 시스템의 Lipschitz 상수를 활용하여, 데이터셋이 특정 조건을 만족하면 제안된 제어기가 출력을 $\delta$ 이내로 조절함을 수학적으로 증명합니다. 이는 제어기 설계 전에 데이터셋의 유효성을 검증할 수 있게 합니다.

3. 주요 기여 (Key Contributions)

1. 검증 가능한 출력 조절 보장: 기존 데이터 기반 비선형 제어 방법들이 가지는 이론적 보장의 검증 어려움 (예: MPC 의 재귀적 실현 가능성 검증) 을 해결했습니다. 학습 데이터셋의 특성 (밀도, 분포) 에 기반한 명시적이고 검증 가능한 충분 조건을 제시했습니다.
2. 상태 측정 불필요: 전체 상태 측정이 필요 없는 출력 피드백 제어기를 설계했습니다. NARX 모델을 확장 상태 (Augmented State) 로 변환하여 이를 해결했습니다.
3. 실용적인 참조 선택 전략: 역모델 학습 시 참조 궤적의 실현 가능성 (Feasibility) 문제를 해결하기 위해, 학습 데이터셋 내에서 안전하게 선택할 수 있는 참조 포인트를 동적으로 결정하는 알고리즘을 개발했습니다.
4. 입력 지연 (Input Delay) 처리: NARX 모델에 입력 지연이 있는 경우에도 프레임워크를 확장하여 적용 가능함을 보였습니다.

4. 시뮬레이션 결과 (Results)

• 수치 예제: 비선형 시스템에 대해 제안된 제어기를 적용한 결과, 다양한 초기 조건에서 출력이 목표 값 ($\delta$) 이내로 수렴함을 확인했습니다.
• 역진자 (Inverted Pendulum) 사례 연구:
  • 노이즈 없는 경우: 전문가 (PI 제어기) 가 생성한 데이터로 학습한 후, 제안된 제어기가 역진자를 안정화시키고 기준 PI 제어기와 유사하거나 더 나은 성능 (RMSE) 을 보였습니다.
  • 노이즈 있는 경우: 출력 측정값에 가우시안 노이즈가 추가된 상황에서도 제안된 제어기는 안정적으로 작동하며, 기존 PI 제어기보다 더 작은 오차와 진동을 보였습니다. 이는 제어기의 **강인성 (Robustness)**을 입증합니다.

5. 의의 및 결론 (Significance)

• 이 연구는 데이터 기반 제어 (Data-driven Control) 분야에서 이론적 엄밀함과 실용성을 동시에 잡은 중요한 사례입니다.
• 복잡한 비선형 시스템에 대해 명시적 모델 식별 없이도, 학습 데이터의 통계적 특성 (커널 오차 상한) 을 활용하여 안전하고 검증 가능한 제어를 가능하게 합니다.
• 특히, 제어기 설계 단계에서 데이터셋이 충분한지 검증할 수 있는 기준을 제공함으로써, 실제 시스템 적용 시 발생할 수 있는 실패 위험을 줄이는 데 기여합니다.
• 향후 연구 방향으로는 센서 노이즈를 명시적으로 고려한 이론적 확장 및 벡터 값 커널 방법을 통한 다입력 - 다출력 (MIMO) 시스템으로의 확장이 제시되었습니다.

요약하자면, 이 논문은 커널 보간법의 오차 상한을 활용하여 역모델을 학습하고, 이를 기반으로 데이터셋에서 안전한 참조 궤적을 선택함으로써 비선형 시스템의 출력 조절에 대한 검증 가능한 보장을 제공하는 새로운 데이터 기반 제어 프레임워크를 제시했습니다.