Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

논문 개요

이 논문은 입력 지연 (Input Delay) 과 이산적인 상태 측정 (Sampled Measurements) 이 동시에 존재하는 비선형 제어 시스템을 위한 새로운 예측 피드백 (Predictor Feedback) 설계를 제안합니다. 기존 예측 피드백 방식은 온라인에서 암시적 상미분방정식 (Implicit ODE) 을 풀어야 하므로 계산 비용이 매우 크다는 한계가 있으며, 실제 시스템에서는 상태 측정이 연속적으로 제공되지 않고 샘플링되거나 불규칙할 수 있다는 문제를 해결하기 위해 신경 연산자 (Neural Operator) 를 활용한 두 가지 아키텍처를 개발했습니다.

1. 문제 정의 (Problem Formulation)

• 시스템 모델: 입력 지연 $D$가 있는 비선형 시스템 $\dot{X}(t) = f(X(t), U(t-D))$을 다룹니다.
• 제약 조건:
  1. 입력 지연: 제어 입력이 지연되어 적용됩니다.
  2. 샘플링된 측정: 상태 $X(t)$는 연속적으로 측정되지 않고, 이산적인 시간 $T_i$에서만 관측 가능합니다.
  3. 계산 효율성: 기존 예측기 (Predictor) 는 지연 구간 동안의 미래 상태를 예측하기 위해 수치적 분할이나 고차 미분값이 필요하여 실시간 계산에 부담이 됩니다.
• 목표: 지연을 보상하면서도 샘플링된 측정값을 처리할 수 있고, 계산적으로 효율적인 제어기를 설계하는 것입니다.

2. 방법론 (Methodology)

저자들은 두 가지 다른 신경 연산자 기반 예측 피드백 설계를 제안했습니다. 두 방법 모두 지연 보상 예측기를 신경 연산자로 근사화하지만, 구현 방식과 샘플링 요구사항에서 차이가 있습니다.

Case 1: 샘플링 구간 예측 연산자 (Sampling-Horizon Prediction Operator)

• 개념: 현재 측정값 $X(T_i)$와 입력 히스토리 $U_i$를 입력으로 받아, 다음 샘플링 구간 $[T_i, T_{i+1})$ 전체에 걸친 예측 상태 궤적 $\hat{Z}(s)$를 직접 매핑하는 신경 연산자 $\hat{M}$을 학습합니다.
• 특징:
  • 균일 샘플링 (Uniform Sampling) 필수: $T_{i+1} - T_i = h$로 고정되어야 합니다.
  • 장점: 예측 오차가 신경 연산자의 근사 오차 ($\epsilon$) 에 비례하여 선형적으로 발생합니다.
  • 단점: 샘플링 주기가 불규칙하면 적용 불가.

Case 2: 예측기 근사 및 연속 전파 (Predictor Approximation with Continuous Flow)

• 개념: 신경 연산자 $\hat{P}$는 지연 구간 $[-D, 0]$에서의 예측기 (즉, $X(T_i+D)$에 해당하는 초기 조건) 만을 근사합니다. 그 후, 이 초기 조건을 사용하여 연속적인 ODE $\dot{\hat{Z}} = f(\hat{Z}, \kappa(\hat{Z}))$를 온라인에서 수치적으로 적분하여 구간 내 상태를 예측합니다.
• 특징:
  • 비균일 샘플링 (Non-uniform Sampling) 허용: $T_{i+1} - T_i \le h$만 만족하면 됩니다.
  • 장점: 하드웨어 결함이나 통신 지연으로 인한 불규칙한 샘플링에 강건합니다.
  • 단점: ODE 전파 과정에서 오차가 증폭되므로, Case 1 에 비해 더 정밀한 신경 연산자 근사가 필요합니다.

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

1. 두 가지 신경 연산자 설계 제안:

   • 균일 샘플링을 가정하는 Case 1과 불균일 샘플링을 허용하는 Case 2를 제안하여 제어 엔지니어에게 유연성과 정확도 사이의 트레이드오프를 제공합니다.

2. 반-전역 실질 안정성 (Semi-global Practical Stability) 증명:

   • 리아푸노프 (Lyapunov) 분석을 통해 두 설계 모두 신경 연산자의 근사 오차 ($\epsilon$) 에 의존하는 잔류 오차 (Residual Bound) 내에서 시스템이 안정함을 증명했습니다.
   • Case 1: 잔류 오차 $\propto \epsilon$
   • Case 2: 잔류 오차 $\propto \epsilon \cdot e^{C_f(1+C_\kappa)h}$ (전파 인자에 의해 증폭됨)
   • 이는 샘플링 조건이 약할수록 (불규칙할수록) 더 높은 정확도의 신경 네트워크 모델이 필요함을 시사합니다.

3. 연산자 근사 오차와 안정성의 정량적 관계 규명:

   • 신경 연산자의 학습 오차가 클수록 시스템의 수렴 영역 (Region of Attraction) 이 축소됨을 명시적으로 보였습니다.

4. 실험 결과 (Numerical Results)

• 테스트 대상: 6 링크 비선형 로봇 매니퓰레이터 (xArm6) 의 지연 토크 제어 문제.
  • 상태 차원: 12 차 (각 링크의 위치 및 속도).
  • 지연 시간: $D=0.2$s.
• 학습 데이터: 정밀 수치 해석기를 사용하여 생성된 20,000 개의 궤적 쌍으로 Fourier Neural Operator (FNO) 를 학습했습니다.
• 성능 비교:
  1. 추적 정확도: 제안된 두 방법 모두 기존 수치적 예측기 (Numerical Predictor) 와 유사하게 원하는 궤적을 정확하게 추적했습니다.
  2. 계산 속도:
     • 기존 수치적 방법: 약 25ms (GPU 가속 시에도 ODE 적분 필요).
     • 제안된 신경 연산자: 약 1ms (순수 추론만 수행).
     • 결과: 기존 방법 대비 25 배 이상의 계산 속도 향상을 달성했습니다.
  3. 샘플링 유연성: Case 2 는 무작위 샘플링 간격에서도 안정적으로 작동함을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: 실제 산업 현장에서는 센서 샘플링이 불규칙하거나 지연이 발생할 수 있는데, 이 논문은 이러한 환경에서도 실시간으로 작동 가능한 지연 보상 제어기를 제공합니다.
• 계산 효율성: 복잡한 비선형 시스템의 지연 보상을 위해 필요한 고비용의 수치 적분을 신경 연산자의 빠른 추론으로 대체하여, 실시간 제어 시스템의 구현 가능성을 크게 높였습니다.
• 이론적 기여: 샘플링 조건 (균일 vs 불균일) 과 신경 연산자의 근사 정확도 사이의 정량적 관계를 규명함으로써, 제어 엔지니어가 시스템 요구사항에 맞는 최적의 아키텍처를 선택할 수 있는 기준을 제시했습니다.

요약하자면, 이 논문은 지연이 있는 비선형 시스템을 제어하기 위해 신경 연산자를 활용한 혁신적인 접근법을 제시하며, 계산 속도 향상과 불규칙 샘플링에 대한 강건성을 동시에 달성했다는 점에서 의미가 큽니다.