Distributed State Estimation of Discrete-Time LTI Systems via Jordan Canonical Representation

이 논문은 이산 시간 선형 시불변 시스템의 분산 상태 추정 문제를 해결하기 위해 자르당 표준형을 활용하여, 국부 관측기와 합의 기반 전략을 결합한 새로운 추정 기법을 제안하고, 기존 연구보다 유연한 결합 게인 선택과 덜 제한적인 해 존재 조건을 제시합니다.

핵심

🎬 비유: 거대한 퍼즐을 맞추는 팀워크

상상해 보세요. 거대한 퍼즐 그림 (시스템의 전체 상태) 이 있는데, 이 그림을 보는 사람들이 100 명이나 됩니다. 하지만 문제는 각자 눈으로 볼 수 있는 퍼즐 조각이 서로 다르다는 것입니다.

• A 는 하늘 부분만 봅니다.
• B 는 나무 부분만 봅니다.
• C 는 사람 얼굴 부분만 봅니다.

그리고 이 사람들은 서로 말을 주고받을 수 있습니다 (네트워크). 목표는 누구도 전체 그림을 다 볼 수 없는데도, 각자가 자신의 위치에서 전체 그림을 완벽하게 추측해 내는 것입니다.

이 논문은 그 퍼즐 맞추기 전략을 더 똑똑하고 효율적으로 만드는 새로운 방법을 제안합니다.

🧩 기존 방법 vs 새로운 방법

1. 기존 방법의 어려움 (과거의 연구)
예전에는 모든 퍼즐 조각을 맞추기 위해, 각 사람이 서로의 추측을 아주 세세하게 주고받으며 "내게 보이는 이 작은 조각은 이렇게 변할 거야"라고 계산했습니다. 하지만 이렇게 하려면 서로의 연결 강도 (데이터를 주고받는 힘) 를 아주 딱딱 맞춰야 했고, 조건이 너무 까다로워서 많은 경우 해결이 불가능했습니다. 마치 "모든 사람이 같은 목소리 크기로만 대화해야 한다"는 규칙처럼요.

2. 이 논문의 혁신적인 아이디어 (새로운 방법)
이 논문은 **"퍼즐 조각을 종류별로 나누어 생각하자"**는 아이디어를 제시합니다.

• 단계 1: 내가 볼 수 있는 것 vs 볼 수 없는 것
  각 사람은 자신이 가진 눈 (센서) 으로 퍼즐의 어떤 부분은 명확히 볼 수 있고, 어떤 부분은 흐릿하게만 보거나 아예 볼 수 없는지 분석합니다.

  • 명확한 부분: "이 부분은 내가 혼자서도 완벽하게 볼 수 있어!" → 이 부분은 내 손으로 직접 계산합니다. (루엔버거 관측기 사용)
  • 흐릿한/보이지 않는 부분: "이 부분은 내가 못 봐." → 이 부분은 주변 친구들의 도움을 받아 맞춰봅니다. (합의 기반 전략 사용)

• 단계 2: 맞춤형 도움 (핵심 혁신)
  여기서 가장 중요한 차이가 나옵니다.

  • 과거: 모든 친구에게 "너희는 모두 같은 힘으로 내게 도와줘!"라고 요청했습니다. (단일 결합 이득)
  • 이 논문: "너, 이 조각은 약하게 도와줘. 너, 저 조각은 강하게 도와줘."라고 **조각마다 다른 힘 (고유한 결합 이득)**을 요청합니다.

  마치 팀 프로젝트에서, "A 는 그림 그리기를, B 는 글쓰기를, C 는 편집을 맡고 각자의 강점에 맞춰 역할을 분담하되, 서로의 작업 강도를 상황에 맞게 조절한다"는 것과 같습니다.

🚀 왜 이 방법이 더 좋은가요?

1. 조건이 훨씬 부드러워졌습니다:
   모든 조각에 같은 힘을 요구하지 않기 때문에, 퍼즐을 맞추기 위한 조건이 훨씬 덜 까다로워졌습니다. 예전에는 "이 조건을 만족해야만 가능해!"라고 해서 못 하던 상황도, 이제는 "이렇게만 하면 돼!"라고 쉽게 해결할 수 있습니다.

2. 계산이 더 간단해졌습니다:
   조각 하나하나를 세세하게 계산할 필요 없이, 퍼즐의 큰 덩어리 (조던 미니블록) 단위로 묶어서 계산하면 되기 때문에 훨씬 빠르고 효율적입니다.

3. 유연성이 생겼습니다:
   네트워크 연결이 끊기거나, 어떤 센서가 고장 나더라도 다른 조각들을 통해 전체 그림을 복원할 수 있는 여력이 생겼습니다.

📝 실제 적용 예시 (펜듀봇)

논문 마지막에 나오는 예시는 **6 대의 로봇 (펜듀봇)**이 서로의 관절 각도를 측정하는 상황입니다.

• 각 로봇은 자신의 관절 각도만 정확히 알 수 있습니다.
• 하지만 이 논문의 방법을 쓰면, 로봇 1 은 로봇 2 의 관절 각도, 로봇 3 의 각도까지 모두 정확하게 예측할 수 있게 됩니다.
• 시뮬레이션 결과, 시간이 지나자 모든 로봇이 서로의 상태를 완벽하게 알아맞히는 것을 확인할 수 있었습니다.

💡 결론

이 논문은 **"모두가 똑같은 방식으로 협력하는 것보다, 각자의 능력과 상황에 맞춰 서로 다른 방식으로 협력하는 것이 더 효율적이다"**는 것을 수학적으로 증명했습니다.

마치 거대한 퍼즐을 맞출 때, "모두가 같은 속도로 조각을 주고받지 말고, 각 조각의 중요도에 따라 서로 다른 속도와 강도로 협력하자"고 제안한 셈입니다. 이를 통해 복잡한 시스템에서도 더 빠르고 정확하게 전체 상태를 파악할 수 있게 되었습니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem Statement)

• 배경: 현대 시스템의 복잡성과 규모 증가로 인해 중앙 집중식 상태 추정이 어려워지면서, 센서 네트워크를 활용한 분산 상태 추정 (Distributed State Estimation) 에 대한 관심이 높아지고 있습니다.
• 문제: 이산 시간 (Discrete-time) 선형 시불변 (LTI) 시스템에서, 각 센서 노드는 시스템 상태의 일부만 측정할 수 있습니다. 개별 센서는 전체 상태를 추정할 수 없으므로, 이웃 노드들과 정보를 교환하며 합의 (Consensus) 전략을 통해 전체 상태를 추정해야 합니다.
• 한계: 기존 연구 (특히 [2]) 는 이산 시간 시스템의 분산 관측기 설계에 있어 조건이 매우 엄격하고, 결합 이득 (coupling gains) 의 선택에 유연성이 부족했습니다. 또한, 연속 시간 시스템에서 고이득 (high-gain) 기법을 사용하는 방식은 이산 시간 시스템에 직접 적용하기 어렵습니다.
• 목표: 조르당 표준형 (Jordan Canonical Form) 을 활용하여, 각 노드가 감지 가능한 상태 성분은 로컬 관측기로 추정하고, 감지 불가능한 성분은 합의 전략으로 추정하는 새로운 분산 관측기 설계 프레임워크를 제안하고, 그 존재에 대한 필요충분조건을 도출하는 것입니다.

2. 제안된 방법론 (Methodology)

제안된 방법은 시스템 행렬 $A$ 의 조르당 표준형 구조를 핵심적으로 활용합니다.

A. 시스템 분해 및 상태 재구성

1. 조르당 분해: 시스템 행렬 $A$ 를 고유값 $\lambda_\ell$ 에 해당하는 조르당 블록 $A_\ell$ 로 분해합니다. 각 조르당 블록은 더 작은 조르당 미니블록 (Jordan miniblock) $A_{\ell, h_\ell}$ 으로 구성됩니다.
2. 감지 가능성 기반 분류: 각 센서 $i$ 에 대해, 각 미니블록 $A_{\ell, h_\ell}$ 에 대응하는 출력 행렬 $C_{\ell, h_\ell}^i$ 의 특성에 따라 상태를 세 가지 집합으로 분류합니다.
   • $G_{i,1}^{\ell}$: 완전히 감지 불가능한 미니블록 ($C=0$).
   • $G_{i,2}^{\ell}$: 부분적으로 감지 가능한 미니블록 ($C$ 의 첫 열이 0 이지만 $C \neq 0$).
   • $G_{i,3}^{\ell}$: 완전히 감지 가능한 (관측 가능한) 미니블록 ($C$ 의 첫 열이 0 이 아님).
3. 상태 벡터의 재배열: 위 분류에 따라 상태 벡터를 재배열하여, 각 에이전트가 감지 가능한 부분 ($z_{i,d}$) 과 감지 불가능한 부분 ($x_{i,u}$) 으로 나눕니다.

B. 이중 관측기 구조 (Dual Observer Structure)

각 에이전트 $i$ 는 두 가지 메커니즘을 결합하여 상태를 추정합니다.

1. 로컬 루엔버거 관측기 (Local Luenberger Observer):

   • 에이전트 $i$ 가 완전히 감지 가능한 상태 성분 ($z_{i,d}$) 은 로컬 측정값 $y_i(t)$ 을 사용하여 루엔버거 관측기로 추정합니다.
   • 이 부분의 추정 오차는 관측기 이득 $L_{i,d}$ 를 적절히 설계하여 점근적으로 0 으로 수렴시킵니다.

2. 합의 기반 추정 (Consensus-based Estimation):

   • 에이전트 $i$ 가 감지 불가능하거나 부분적으로만 감지 가능한 상태 성분 ($x_{i,u}$) 은 이웃 노드들의 추정치와 정보를 교환하여 추정합니다.
   • 핵심 개선점: 기존 연구와 달리, 각 조르당 미니블록마다 별도의 결합 이득 (coupling gain) $k_{\ell, h_\ell}$ 을 사용합니다.
   • 추정 오차 동역학은 다음과 같이 표현됩니다:
     $$e_{i}^{\ell, h_\ell}(t+1) = (I - k_{\ell, h_\ell} L_{\ell, h_\ell}) \otimes A_{\ell, h_\ell} \cdot e_{i}^{\ell, h_\ell}(t)$$
     여기서 $L_{\ell, h_\ell}$ 은 해당 미니블록을 감지할 수 있는 노드들을 제외한 라플라시안 행렬의 부분 행렬입니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 필요충분 조건 도출 (Theorem 4)

분산 관측기가 존재하여 모든 노드가 점근적으로 정확한 상태 추정을 할 수 있기 위한 필요충분 조건을 제시했습니다.

• 모든 불안정한 고유값 $\lambda_\ell$ ($|\lambda_\ell| \ge 1$) 과 해당 미니블록 $h_\ell$ 에 대해, 실수 결합 이득 $k_{\ell, h_\ell}$ 이 존재하여 다음 부등식을 만족해야 합니다:
  $$|1 - k_{\ell, h_\ell} \mu| < \frac{1}{|\lambda_\ell|}, \quad \forall \mu \in \sigma(L_{\ell, h_\ell})$$
  여기서 $\sigma(L_{\ell, h_\ell})$ 는 해당 미니블록을 감지할 수 있는 노드 집합을 제외한 라플라시안 행렬의 고유값 집합입니다.

B. 기존 연구 [2] 와의 비교 및 개선점 (Remark 5)

• 유연성 향상: 기존 연구는 모든 관측기에 단일 결합 이득 $k$ 를 적용했으나, 본 논문은 각 미니블록마다 다른 이득을 허용합니다. 이는 결합 이득 선택의 유연성을 크게 높입니다.
• 해의 조건 완화: 단일 이득을 강제할 때보다 조건이 덜 제한적 (less restrictive) 이 되어, 더 넓은 범위의 시스템과 통신 토폴로지에서 해가 존재할 수 있습니다.
• 계산 효율성: 상태의 각 성분 (entry) 마다 조건을 확인하는 대신, 미니블록 단위로 조건을 확인하므로 검증해야 할 부등식의 수와 계산량이 감소합니다.
• 통신 토폴로지 요구사항: 기존 연구의 조건 C2(방향성 스패닝 포레스트 존재) 가 본 논문의 조건 (24) 에 내포되지만, 본 논문은 더 작은 노드 집합에 대해서만 이 조건을 요구합니다.

C. 수치 예시 (Numerical Example)

• 6 개의 펜더봇 (Pendubot) 으로 구성된 네트워크를 시뮬레이션하여 제안된 방법의 유효성을 입증했습니다.
• 시스템 행렬이 조르당 형태가 아니더라도 변환을 통해 적용 가능하며, 각 노드가 모든 펜더봇의 관절 각도를 점근적으로 정확하게 추정할 수 있음을 보였습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 이론적 기여: 이산 시간 LTI 시스템의 분산 상태 추정 문제를 조르당 표준형과 감지 가능성 (detectability) 의 정교한 결합을 통해 체계적으로 해결했습니다.
• 실용적 가치: 결합 이득을 미니블록 단위로 세분화함으로써 설계의 유연성을 높이고, 시스템이 해결 가능한 (solvable) 영역을 확장했습니다. 이는 실제 센서 네트워크에서 통신 제약이나 시스템 불안정성이 있는 상황에서도 더 강력한 관측기 설계를 가능하게 합니다.
• 향후 연구 방향: 미지의 입력 (unknown inputs) 과 외란 (disturbances) 이 존재하는 시스템으로의 확장을 통해 방법론의 강건성 (robustness) 을 더욱 향상시킬 계획입니다.

요약하자면, 이 논문은 조르당 미니블록 단위의 세분화된 접근과 고유 결합 이득 전략을 통해 기존 분산 상태 추정 기법의 한계를 극복하고, 더 유연하고 효율적인 설계 조건을 제시한 중요한 연구입니다.