Adaptive Control with Sparse Identification of Nonlinear Dynamics

논문 개요

본 논문은 선형 파라미터화 된 불확실한 비선형 제어-아핀 (control-affine) 시스템에 대해 희소성 (Sparsity) 을 촉진하는 적분 동시 학습 (SP-ICL, Sparsity-Promoting Integral Concurrent Learning) 적응 법칙을 개발합니다. 기존 시스템 식별 방법론과 적응 제어 이론을 결합하여, 시스템의 불확실한 파라미터를 온라인으로 학습하면서도 불필요한 기저 함수 (basis functions) 를 제거하여 물리적 법칙을 직접적으로 드러내는 희소한 모델을 생성하는 것을 목표로 합니다.

1. 문제 정의 (Problem Formulation)

• 시스템 모델: $\dot{x} = Y(x)\theta + g(x)u$ 형태의 비선형 제어-아핀 시스템을 고려합니다. 여기서 $Y(x)$는 알려진 과완전 (over-complete) 기저 함수 라이브러리이고, $\theta$는 미지의 희소 파라미터 벡터입니다.
• 목표:
  1. 원하는 궤적 $x_d(t)$에 대한 추종 오차를 최소화하면서 제어 입력을 생성합니다.
  2. 수집된 데이터 (상태 궤적, 입력 등) 를 기반으로 $\theta$를 온라인으로 추정하되, **희소성 (sparse)**을 가진 해를 찾아야 합니다. 즉, 실제 시스템에 존재하지 않는 기저 함수의 계수를 0 으로 수렴시켜야 합니다.
• 한계점: 기존 적응 제어 (RLS, MRAC 등) 는 파라미터 수렴을 위해 강한 조건인 '지속적 여기 (Persistent Excitation, PE)'를 요구하며, 데이터 기반 식별 방법 (SINDy 등) 은 주로 오프라인에서 작동하거나 폐루프 안정성 보장이 어렵습니다.

2. 방법론 (Methodology)

가. SP-ICL 적응 법칙 설계

• 적분 동시 학습 (ICL) 프레임워크: 과거 데이터와 현재 데이터를 동시에 활용하여 파라미터 수렴을 보장합니다. 이를 위해 히스토리 스택 (History Stack) 을 유지하며, 데이터의 정보량 (최소 고유값) 을 기준으로 데이터를 선택/교체하는 알고리즘 (Algorithm 1) 을 사용합니다.
• $\ell_1$ 정규화 도입: SINDy 알고리즘에서와 같이 희소성을 유도하기 위해 비용 함수에 $\ell_1$ 정규화 항 ($\lambda \|\hat{\theta}\|_1$) 을 추가합니다.
  • 비용 함수: $J(\hat{\theta}) = \frac{1}{2}\hat{\theta}^\top Y \hat{\theta} - \hat{\theta}^\top U + \lambda \|\hat{\theta}\|_1$
• 비매끄러운 (Non-smooth) 업데이트 법칙: $\ell_1$ 항은 원점에서 미분 불가능하므로, **Clarke 일반화 기울기 (Generalized Gradient)**와 슬라이딩 모드 (Sliding Modes) 개념을 도입하여 파라미터 업데이트 법칙을 미분 포함 (Differential Inclusion) 형태로 정의합니다.
  • $\dot{\hat{\theta}} \in \text{proj}_\Theta(\dots) - \lambda \gamma \Gamma \text{SGN}(\hat{\theta})$
  • 여기서 $\text{SGN}$은 집합값 부호 함수 (set-valued signum function) 입니다.

나. 안정성 분석 (Stability Analysis)

• 비매끄러운 Lyapunov 분석: $\ell_1$ 페널티로 인해 시스템이 비매끄러운 특성을 가지므로, 일반 Lyapunov 이론 대신 **비매끄러운 Lyapunov 분석 (Non-smooth Lyapunov analysis)**을 적용합니다.
• 유계성 증명: 파라미터 추정값이 특정 컴팩트 집합 내에서 전방 불변 (forward invariant) 임을 증명하고, 폐루프 시스템의 궤적이 **최종 유계 (Ultimately Bounded)**됨을 보입니다.
• 조건: 시스템이 유한한 구간에서 여기 (Finite Excitation, FE) 조건을 만족하면 파라미터 추정 오차와 추종 오차가 유계 집합으로 수렴함을 증명합니다.

3. 주요 기여 (Key Contributions)

1. 온라인 희소 식별과 적응 제어의 통합: 기존 SINDy 와 같은 식별 알고리즘이 오프라인이거나 안정성 보장이 어려운 점을 극복하고, Lyapunov 기반의 적응 제어 프레임워크 내에서 온라인으로 희소 모델을 식별하는 방법을 제안했습니다.
2. 미분 포함 기반의 업데이트 법칙: $\ell_1$ 정규화의 비매끄러운 특성을 슬라이딩 모드와 슬라이딩 함수를 통해 처리하여, 파라미터 추정값이 물리적 제약 집합 내에서 유지되도록 설계했습니다.
3. 이론적 안정성 보장: 비매끄러운 시스템에 대한 Lyapunov 분석을 통해 추종 오차와 파라미터 오차의 최종 유계성을 수학적으로 증명했습니다.

4. 시뮬레이션 결과 (Simulation Results)

• 실험 설정: 2 차원 비선형 시스템에 20 개의 기저 함수 라이브러리를 사용하며, 실제 시스템은 그 중 일부 (4 개) 만 활성화된 희소 구조를 가집니다.
• $\lambda$ (희소성 파라미터) 의 영향:
  • $\lambda$ 증가: 파라미터 추정 오차 ($\|\tilde{\theta}\|$) 는 감소하여 불필요한 기저 함수가 0 으로 제거됨을 보여줍니다.
  • 추적 오차: $\lambda$가 너무 작으면 불필요한 항이 남아 오차가 커지고, 너무 크면 (과도한 희소화) 실제 필요한 항까지 제거되어 추적 오차가 증가합니다.
  • 최적점: $\lambda = 10^{-2}$에서 가장 높은 F1 점수 (0.89) 를 기록하며, 실제 활성화된 기저 함수를 정확히 식별하고 불필요한 것은 제거하는 최적의 균형을 보였습니다.
• 챗터링 (Chattering): $\ell_1$ 항의 부호 함수로 인해 고주파 진동 (챗터링) 이 발생하며, 이는 $\lambda$가 커질수록 심해집니다. 이는 추종 성능을 저하시킬 수 있는 요인입니다.

5. 의의 및 결론 (Significance & Conclusion)

• 물리적 해석 가능성: 단순히 데이터를 맞추는 것이 아니라, 시스템의 실제 물리적 법칙을 반영하는 희소한 해석 가능한 모델을 온라인으로 복원할 수 있습니다.
• 실용성: 지속적 여기 (PE) 조건 없이도 유한한 구간 데이터만으로도 파라미터 수렴을 보장할 수 있어 실제 적용 가능성이 높습니다.
• 향후 과제: 비매끄러운 업데이트로 인한 챗터링을 완화하기 위해 연속적인 근사 함수 (예: saturation, tanh) 를 도입하거나, 적응형 $\ell_1$ 페널티를 연구하여 추론 정확도와 희소성 사이의 균형을 더 잘 조절할 필요가 있습니다.

요약하자면, 본 논문은 데이터 기반 제어와 적응 제어의 장점을 결합하여, 불확실한 비선형 시스템에서 안정성을 보장하면서 동시에 시스템의 본질적인 희소 구조를 온라인으로 식별하는 새로운 프레임워크를 제시했습니다.