⚡ electrical engineering

Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

이 논문은 시간 가변 지연을 갖는 선형 시스템에 대해 예측 지평선을 신경망 등으로 근사화하는 두 가지 방법을 제안하고, 이를 기반으로 입력 및 측정 지연이 있는 시스템의 출력 피드백 제어기를 설계하여 폐루프 시스템의 전역 지수 안정성을 증명합니다.

원저자: Luke Bhan, Miroslav Krstic, Yuanyuan Shi

게시일 2026-04-01

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Luke Bhan, Miroslav Krstic, Yuanyuan Shi

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

🚗 비유: "느려진 배달 기사와 미래 예측"

이 논문의 상황을 한 가지 비유로 생각해보겠습니다.

당신은 **배달 기사 (시스템)**를 통제하는 **지휘자 (제어기)**입니다.

문제: 배달 기사는 명령을 받으면 바로 움직이지 않습니다. 명령을 듣고 움직이기까지 **시간 지연 (Delay)**이 걸립니다.
복잡한 점: 이 지연 시간은 항상 똑같지 않습니다. 교통 체증이나 날씨에 따라 지연 시간이 매일, 매분 변합니다. (시간 가변 지연)
목표: 기사가 목적지에 정확하고 안전하게 도착하게 하려면, 지휘자는 **"지금 명령을 내리면 기사가 몇 분 뒤에 도착할지"**를 미리 예측해서 명령을 내려야 합니다. 이를 **'예측 피드백 (Predictor Feedback)'**이라고 합니다.

하지만 여기서 큰 난관이 생깁니다.
"지연 시간이 변한다"는 것은, **"몇 분 뒤에 도착할지"**를 계산하려면 복잡한 수학 공식 (역함수) 을 풀어야 한다는 뜻입니다. 그런데 이 공식은 손으로 풀 수 없을 정도로 복잡하거나, 아예 공식 자체가 없습니다.

이 논문은 **"복잡한 공식을 못 풀 때, 어떻게 하면 가장 빠르고 정확하게 '예측 시간'을 구할 수 있을까?"**에 대한 두 가지 해결책을 제시합니다.

💡 해결책 1: "계단식 계산기" (수치적 방법)

첫 번째 방법은 **오일러 방법 (Euler method)**이라고 불리는 전통적인 계산법입니다.

비유: 산을 오르는 것처럼, 아주 작은 발걸음 (작은 시간 간격) 으로 하나씩 올라가며 높이를 재는 방식입니다.
장점: 원리가 명확하고 수학적으로 안전합니다.
단점: 산이 매우 길면 (시간이 길어지면), 발걸음을 너무 많이 떼야 해서 계산이 매우 느려집니다. 또한, 발걸음이 작을수록 정확해지지만, 그만큼 시간이 더 걸립니다.

🧠 해결책 2: "똑똑한 AI 비서" (신경 연산자)

두 번째 방법은 **신경 연산자 (Neural Operator)**라는 최신 AI 기술을 사용하는 것입니다.

비유: 이 AI 비서는 과거에 수천 번의 "지연 상황"과 "예측 결과"를 공부했습니다 (학습). 이제 새로운 지연 상황이 들어오면, 공식을 직접 풀지 않고 "아, 이 상황은 이전에 봤던 A 패턴과 비슷하네. 그럼 대략 이렇게 될 거야!"라고 순간적으로 추측합니다.
장점: 엄청나게 빠릅니다. (기존 방법보다 6~20 배 빠름). 복잡한 계산을 미리 해뒀기 때문에 실시간으로 명령을 내릴 때 부담이 없습니다.
단점: 학습 데이터에 없는 아주 낯선 상황에서는 오차가 생길 수 있습니다. 하지만 이 논문은 "오차가 일정 수준 안에만 들면 시스템이 무너지지 않는다"는 것을 수학적으로 증명했습니다.

🛡️ 핵심 성과: "완벽하지 않아도 괜찮아"

이 논문의 가장 중요한 발견은 다음과 같습니다.

"예측 시간을 100% 완벽하게 맞출 필요는 없다. 아주 조금만 틀려도, 시스템은 여전히 안정적으로 작동한다."

연구진은 두 가지 방법 (계단식 계산기 vs AI 비서) 을 모두 사용했을 때, 예측 오차가 작다면 시스템이 폭발하거나失控하지 않고 안정적으로 유지됨을 수학적으로 증명했습니다.

📊 실험 결과: 속도와 정확도의 줄다리기

논문의 실험 결과는 다음과 같은 결론을 내렸습니다.

정확도: 두 방법 모두 아주 높은 정확도를 냈습니다.
속도:
- 기존 방법 (계단식): 계산이 느립니다. (약 12ms)
- AI 방법 (신경 연산자): 계산이 매우 빠릅니다. (약 2ms)
결론: 만약 시스템이 매우 빠르게 반응해야 한다면 (예: 자율주행차, 드론), AI 비서 (신경 연산자) 방식이 훨씬 유리합니다.

🎯 한 줄 요약

이 논문은 **"변하는 지연 시간을 예측하는 복잡한 수학 문제를, AI 가 학습해서 빠르게 해결할 수 있음을 증명"**했습니다. 이제 우리는 더 이상 복잡한 공식을 손으로 풀지 않아도, AI 가 미리 계산해 둔 '미래 예측'을 믿고 시스템을 안정적으로 제어할 수 있게 되었습니다.

이는 마치 날씨 예보를 위해 매일매일 복잡한 기압계를 직접 계산할 필요 없이, 학습된 AI 모델이 "내일은 비가 올 거야"라고 빠르게 알려주는 것과 같은 원리입니다.

논문 요약: 신경 근사 예측 지평을 통한 시변 지연이 있는 선형 시스템의 예측기 기반 출력 피드백 제어

1. 연구 배경 및 문제 정의 (Problem)

배경: 사이버 - 물리 시스템 (CPS) 에서 통신 네트워크, 계산 파이프라인, 입력 지연 등으로 인해 **시변 지연 (Time-Varying Delays)**이 자연스럽게 발생합니다. 이러한 지연은 제어 성능을 저하시키거나 시스템을 불안정하게 만들 수 있습니다.
기존 접근법의 한계: 지연 시스템을 제어하기 위해 예측기 피드백 (Predictor Feedback) 방법이 널리 사용되어 왔습니다. 이 방법은 제어 입력이 적용될 시점의 미래 상태를 재구성하여 지연을 보상합니다.
핵심 문제: 시변 지연이 존재할 경우, 예측기 설계에는 지연 함수의 **역함수 (Inverse Delay Mapping)**가 필요합니다. 즉, 현재 시간 $t$ $t$ 에서 지연된 입력이 적용된 시점 $\phi(t) = t - D(t)$ $ϕ (t) = t - D (t)$ 를 알 수 있다면, 그 역함수 $\phi^{-1}(t)$ $ϕ^{- 1} (t)$ 를 구해 예측 지평 (Prediction Horizon) 을 결정해야 합니다.
- 대부분의 경우 이 역함수는 **폐형 해 (Closed-form solution)**로 존재하지 않습니다.
- 따라서 기존 방법들은 이 역함수를 수치적으로 근사해야 하며, 이는 계산 비용이 크거나 정확도 보장이 어렵다는 문제를 야기합니다.
연구 목표: 본 논문은 입력 지연과 측정 지연이 모두 존재하는 선형 시스템을 대상으로, 역 지연 매핑을 근사하는 두 가지 새로운 방법 (수치적 및 데이터 기반) 을 제안하고, 이를 출력 피드백 제어기에 통합하여 **전역 지수 안정성 (Global Exponential Stability)**을 보장하는 것을 목표로 합니다.

2. 방법론 (Methodology)

가. 제어기 설계 (Output-Feedback Control Design)
저자들은 3 단계 구조의 제어기를 제안합니다:

관측기 (Observer): 지연된 측정값 $Y(t)$ 를 사용하여 지연된 상태 $Z(\phi_2(t))$ 를 추정 ( $\xi(t)$ ).
상태 재구성 (Reconstruction): 추정된 상태를 시스템 동역학을 통해 현재 시간 $t$ 의 상태 $\hat{Z}(t)$ 로 전파.
예측기 (Predictor): 현재 상태 $\hat{Z}(t)$ $\hat{Z} (t)$ 를 예측 지평 $\psi(t)$ $ψ (t)$ 만큼 미래로 전파하여 미래 상태 $\hat{P}(t)$ $\hat{P} (t)$ 를 예측. 이를 기반으로 제어 입력 $U(t) = K\hat{P}(t)$ $U (t) = K \hat{P} (t)$ 를 생성.
- 여기서 $\psi(t) = \phi_1^{-1}(t) - t$ 는 입력 지연의 역함수에서 유도된 예측 지평입니다.

나. 예측 지평 근사 방법 (Approximation Schemes for Prediction Horizon)
역 지연 함수 $\psi(t)$ 를 구하기 위해 두 가지 접근법을 제시합니다.

수치적 적분 방법 (Euler Approximation):
- 역함수 $\psi(t)$ 가 만족하는 미분 방정식 (ODE) 을 유도합니다: $\dot{\psi}(t) = \frac{\dot{D}(t+\psi(t))}{1-\dot{D}(t+\psi(t))}$ .
- 이 ODE 를 오일러 방법 (Euler method) 또는 고차 적분법 (Runge-Kutta) 으로 수치적으로 풀어 $\hat{\psi}(t)$ 를 계산합니다.
- 특징: 모델 기반 접근법으로, 지연 함수의 미분 가능성에 의존합니다.
신경 연산자 기반 데이터 기반 방법 (Neural Operator Approximation):
- 지연 함수 $D(t)$ 에서 예측 지평 $\psi(t)$ 로의 매핑을 연산자 학습 (Operator Learning) 문제로 재정의합니다.
- **Fourier Neural Operator (FNO)**와 같은 신경 연산자 아키텍처를 사용하여, 다양한 지연 함수 군 (Family of delay functions) 에 대해 역 매핑을 학습합니다.
- 특징: 학습이 완료된 후, 실시간으로 매우 빠른 추론이 가능하며, 복잡한 수치 적분 과정을 대체합니다.

다. 안정성 분석 (Stability Analysis)

운송 PDE-ODE 캐스케이드 (Transport PDE-ODE Cascade): 지연 시스템을 분산 입력을 가진 운송 PDE 와 ODE 의 결합으로 변환합니다.
Backstepping 변환: 예측기 오차와 관측기 오차를 포함하는 타겟 시스템을 설계합니다.
Lyapunov 분석: 근사 오차 ( $\epsilon = |\psi - \hat{\psi}|$ $ϵ = ∣ ψ - \hat{ψ} ∣$ ) 가 존재할 때에도, 오차가 임계값 $\epsilon^*$ $ϵ^{*}$ 보다 작으면 폐루프 시스템이 전역 지수 안정성을 유지함을 증명합니다.
- 근사 오차가 시스템의 안정성 마진 (Robustness margin) 을 넘지 않도록 제어기 이득과 관측기 이득을 설계해야 함을 보여줍니다.

3. 주요 기여 (Key Contributions)

연산자 이론적 프레임워크 정립: 역 지연 매핑 근사를 연산자 근사 문제로 공식화하고, 역 지연 매핑이 컴팩트 집합에서 Lipschitz 연속성을 가진다는 것을 증명하여 근사 이론의 수학적 기초를 마련했습니다.
근사 보장 정리 (Approximation Theorems):
- 수치적 ODE 적분 방법과 신경 연산자 방법 모두에 대해, 컴팩트 집합 내에서 임의의 정밀도 ( $\epsilon$ ) 로 근사할 수 있음을 rigorously 증명했습니다.
출력 피드백 예측기 제어기 개발: 기존 연구가 주로 상태 피드백에 집중했던 것과 달리, 측정 지연과 입력 지연이 동시에 존재하는 경우를 다루는 최초의 출력 피드백 예측기 설계를 제시했습니다.
근사 오차에 대한 강인성 증명: 예측 지평의 근사 오차가 존재하더라도, 오차가 충분히 작으면 폐루프 시스템이 지수적으로 안정함을 증명했습니다.

4. 실험 결과 (Results)

시뮬레이션 설정: 불안정한 선형 시스템을 대상으로, 진동하는 시변 지연 함수 ( $D(t) = a + \frac{b}{1+t} + \alpha \sin(\omega t + \phi)$ ) 를 사용했습니다.
성능 비교:
- 수치적 방법 (Euler, RK4): 높은 정확도를 보이지만 계산 비용이 큽니다. (Euler: 약 11.98ms, RK4: 약 42.50ms/평가)
- 신경 연산자 (FNO): 학습 후 GPU 를 활용하여 **가장 빠른 속도 (약 2.01ms/평가)**를 보였습니다. Euler 대비 6 배, RK4 대비 21 배 이상의 속도 향상을 달성했습니다.
- 정확도: FNO 는 약간의 잔차 (Residual) 가 존재하지만, 시스템이 안정화되고 상태 추정이 수렴하는 것을 확인했습니다.
결과: 제안된 방법들은 지연이 있는 시스템에서 상태와 제어 입력을 성공적으로 안정화시켰으며, 신경 연산자 접근법이 실시간 제어 구현에 있어 계산 효율성과 정확도 간의 우수한 균형을 제공함을 보여주었습니다.

5. 의의 및 결론 (Significance & Conclusion)

실용성: 폐형 해가 없는 복잡한 시변 지연 시스템에 대해 예측기 피드백을 실제 구현 가능하게 만들었습니다.
혁신성: 제어 이론과 머신러닝 (신경 연산자) 을 결합하여, 계산 집약적인 수치 적분 과정을 대체하는 새로운 패러다임을 제시했습니다.
확장성: 출력 피드백 구조를 포함함으로써 실제 센서 지연이 있는 물리 시스템에 직접 적용 가능한 이론적 토대를 제공했습니다.
결론: 본 연구는 시변 지연 시스템 제어에서 예측 지평 계산의 병목 현상을 해결하고, 높은 계산 효율성을 유지하면서도 엄격한 안정성 보장을 제공하는 통합된 프레임워크를 제시했습니다.

핵심 키워드: 예측기 피드백 (Predictor Feedback), 시변 지연 (Time-Varying Delays), 신경 연산자 (Neural Operators), 출력 피드백 제어 (Output-Feedback Control), 전역 지수 안정성 (Global Exponential Stability).