⚡ electrical engineering

Controller Design for Structured State-space Models via Contraction Theory

이 논문은 구조화 상태공간 모델 (SSM) 을 비선형 시스템의 대리 모델로 활용하여 수축 이론과 선형 행렬 부등식을 기반으로 확장 가능한 간접 데이터 기반 출력 피드백 제어기를 설계하고, 관측기와 상태 피드백 제어기의 독립적 설계를 가능하게 하는 분리 원리를 확립합니다.

원저자: Muhammad Zakwan, Vaibhav Gupta, Alireza Karimi, Efe C. Balta, Giancarlo Ferrari-Trecate

게시일 2026-04-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Muhammad Zakwan, Vaibhav Gupta, Alireza Karimi, Efe C. Balta, Giancarlo Ferrari-Trecate

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

이 논문은 **"복잡하고 예측하기 어려운 기계 (비선형 시스템) 를 어떻게 똑똑하게 조종할 것인가?"**에 대한 새로운 해결책을 제시합니다.

기존의 방법들은 너무 단순하거나, 너무 복잡해서 실제 기계에 적용하기 어려웠습니다. 이 연구팀은 **AI(머신러닝)**와 전통적인 제어 이론을 결합하여, 기계의 행동을 예측하고 안정적으로 제어하는 새로운 방법을 개발했습니다.

이 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

1. 문제 상황: "예측 불가능한 낡은 자동차"

상상해 보세요. 여러분이 낡고 복잡한 자동차를 운전한다고 칩시다.

기존의 문제점: 이 차는 페달을 밟으면 반응이 일정하지 않습니다. 때로는 너무 빨리 가고, 때로는 멈추고, 마찰력이나 진동 때문에 예측할 수 없는 행동을 합니다.
기존 해결책의 한계:
- 선형 제어: "페달을 10% 밟으면 차는 10km/h 빨라진다"라고 가정하고 제어하는 방법인데, 이 낡은 차에는 통하지 않습니다. (선형 제어는 단순한 상황에만 잘 작동합니다.)
- 딥러닝 (블랙박스): AI 가 이 차를 학습시켜서 "어떤 상황에서 어떻게 움직일지"는 완벽하게 예측하게 만들 수 있습니다. 하지만 AI 는 "왜 그렇게 움직이는지"를 설명해주지 못합니다. (블랙박스 문제). 그래서 AI 가 예측한 대로 차를 제어하려다 보면, 갑자기 차가 뒤집히거나失控할 위험이 있습니다.

2. 새로운 해결책: "SSM(구조화된 상태 공간 모델)"이라는 지도

이 논문은 SSM이라는 새로운 도구를 사용합니다. SSM 은 마치 **"AI 의 직관 + 수학의 명확함"**을 합친 지도와 같습니다.

SSM 이 뭐예요?
- 기존 AI(트랜스포머 등) 는 데이터를 처리할 때 과거의 모든 기억을 한 번에 뒤적거려야 해서 계산이 매우 느리고 비쌉니다. ( quadratic complexity )
- 반면, SSM은 과거의 기억을 효율적으로 정리해서, 선형적인 속도로 빠르게 처리합니다. (linear complexity)
- 핵심: SSM 은 기계의 내부 구조 (상태) 를 명확하게 보여줍니다. 마치 운전자가 차의 엔진 상태, 바퀴 마찰, 속도 등을 수치로 정확히 볼 수 있게 해주는 투명한 계기판과 같습니다.

3. 이 연구의 3 가지 핵심 기여 (비유로 설명)

이 논문은 이 투명한 계기판 (SSM) 을 이용해 세 가지 중요한 일을 해냈습니다.

① "조종 가능성"과 "관측 가능성" 확인하기

비유: 운전자가 핸들을 돌렸을 때 차가 반응할 수 있는지 (조종 가능성), 그리고 계기판을 통해 차의 현재 상태를 정확히 알 수 있는지 (관측 가능성) 를 수학적으로 증명했습니다.
결과: SSM 이 가진 '비선형성 (복잡한 움직임)'이 일정 범위 안에만 있다면, 우리는 이 복잡한 차를 언제나 조종할 수 있고, 상태를 볼 수 있다는 것을 수학적으로 보장했습니다.

② "안전한 운전사"와 "정확한 코치" 만들기 (제어기 & 관측기)

비유:
- 제어기 (운전사): 차가 원하는 궤도를 유지하도록 핸들과 페달을 조작하는 사람입니다.
- 관측기 (코치): 운전자가 차의 상태를 정확히 파악하지 못했을 때, "지금 차가 약간 흔들리고 있어요"라고 알려주는 사람입니다.
혁신: 이 논문은 **수학적 공식 (LMI)**을 이용해, 이 '운전사'와 '코치'를 따로따로 설계해도 차 전체가 절대 넘어지지 않고 안정적으로 달릴 것임을 증명했습니다.
- 기존에는 이 둘을 동시에 설계해야만 안정성이 보장되었는데, 이제는 각자 독립적으로 설계해도 안전하다는 '분리 원리'를 증명했습니다.

③ "분리 원리"의 적용

비유: 마치 비행기 조종사와 관제탑의 관계입니다.
- 조종사 (제어기) 는 비행기를 조종하는 법만 배우면 됩니다.
- 관제탑 (관측기) 은 비행기의 위치를 정확히 추적하는 법만 배우면 됩니다.
- 이 두 사람이 따로 훈련을 받아도, 함께 일할 때 비행기는 안전하게 날아갑니다.
의미: 복잡한 시스템을 설계할 때, 모든 것을 한 번에 다 고려할 필요 없이 **조절 (제어)**과 **추적 (관측)**을 나누어 설계해도 된다는 것을 증명했습니다. 이는 공학적으로 매우 큰 편의를 줍니다.

4. 실제 실험: "부하가 걸린 DC 모터"

연구팀은 이 이론을 실제 부하 (무거운 짐) 가 실린 DC 모터에 적용해 보았습니다.

상황: 모터에 마찰력, 진동, 그리고 전압이 일정 수준 이하일 때 작동하지 않는 '데드존 (Dead-zone)' 같은 복잡한 문제가 있었습니다.
결과: SSM 을 이용해 이 모터의 행동을 학습하고, 위에서 만든 '안전한 운전사'와 '정확한 코치'를 적용했습니다.
성과: 모터는 다양한 초기 조건에서도 안정적으로 목표 속도에 도달했고, 예측 불가능한 마찰이나 진동에도 흔들리지 않았습니다.

5. 요약: 왜 이것이 중요한가요?

이 논문은 **"AI 가 복잡한 기계의 행동을 예측할 수 있게 해주고, 그 예측을 바탕으로 수학적으로 안전한 제어 시스템을 자동으로 만들 수 있다"**는 것을 보여줍니다.

기존: AI 는 예측만 잘하고, 제어는 어렵거나 위험했다.
이제: AI 가 예측하고, 수학이 그 예측을 안전한 제어로 연결해준다.

마치 자율주행차가 복잡한 도로 상황 (비선형 시스템) 에서도 수학적으로 보장된 안전 장치를 가지고 운전할 수 있게 된 것과 같습니다. 이는 향후 로봇, 드론, 공장 자동화 등 복잡한 기계 시스템을 더 안전하고 효율적으로 만드는 데 큰 발걸음이 될 것입니다.

논문 요약: 수축 이론 (Contraction Theory) 을 통한 구조화된 상태 공간 모델 (SSM) 의 제어기 설계

1. 연구 배경 및 문제 정의 (Problem)

비선형 시스템 식별의 한계: 기존 제어 이론에서 시스템 식별 (SysId) 은 제어 전략 설계의 핵심이지만, 비선형 시스템에 대한 식별은 여전히 난제입니다. 선형 식별 기법을 비선형 시스템에 적용하면 성능 저하나 불안정성이 발생할 수 있습니다.
기존 비선형 모델의 문제점:
- 전통적 방법 (NARX, RKHS 등): 커널 선택의 어려움, 해석 가능성 (Interpretability) 부족, 확장성 문제, 그리고 제어기 설계 방법론의 부재가 있습니다.
- 딥러닝 모델 (RNN, LSTM 등): 표현력은 뛰어나지만 블랙박스 성질로 인해 해석이 어렵고, 제어기 합성을 위한 수학적 보장이 부족합니다. 또한, 순차적 연산으로 인해 학습 및 추론 속도가 느립니다.
- 트랜스포머 (Transformer): 장기 의존성 (Long-term dependencies) 을 포착하지만, 시퀀스 길이에 대해 이차 (Quadratic) 복잡도를 가지므로 계산 비용이 큽니다.
목표: 비선형 시스템을 위한 데이터 기반의 간접 제어기 합성 (Indirect Controller Synthesis) 프레임워크를 개발하여, **구조화된 상태 공간 모델 (SSM)**을 서로게이트 모델로 활용하고 **수축 이론 (Contraction Theory)**을 기반으로 안정성이 보장된 출력 피드백 제어기를 설계하는 것입니다.

2. 방법론 (Methodology)

이 논문은 SSM 을 비선형 시스템의 대리 모델로 사용하고, 이를 기반으로 제어기와 관측기를 설계합니다.

구조화된 상태 공간 모델 (SSM) 아키텍처:
- 구성: 비선형 입력 리프팅 (Scaffolding, $S_u$ ), 선형 시간 불변 (LTI) 순환 단위 (Recurrent Unit, LRU), 비선형 출력 투영 ( $S_y$ ) 으로 구성됩니다.
- 특징: 입력과 출력의 비선형 매핑은 이-리프시츠 (Bi-Lipschitz) 함수로 가정하며, 순환 단위는 이산 시간 LTI 시스템으로 정의됩니다. 이는 Transformer 대비 선형 복잡도를 가지며 장기 의존성을 포착합니다.
수축 이론 (Contraction Theory) 적용:
- 시스템의 안정성을 분석하기 위해 이산 시간 제어 수축 메트릭 (Discrete-time Control Contraction Metrics, DCCMs) 을 활용합니다.
- 임의의 궤적을 따라 시스템이 수축 (Contraction) 하는지 확인하여 전역 지수 안정성을 보장합니다.
선형 행렬 부등식 (LMI) 기반 설계:
- 제어기 설계: 상태 피드백 게인 $K$ 를 찾기 위해 LMI 조건을 유도합니다. 이는 비선형 함수의 기울기 (Slope) 불확실성을 고려한 강인한 안정성을 보장합니다.
- 관측기 설계: 루엔버거 (Luenberger) 형태의 관측기를 설계하여 상태 추정 오차가 지수적으로 수렴하도록 합니다.
- 분리 원리 (Separation Principle): 선형 시스템 이론과 유사하게, 제어기와 관측기를 독립적으로 설계하더라도 폐루프 시스템의 지수 안정성이 유지됨을 증명합니다.

3. 주요 기여 (Key Contributions)

SSM 의 제어 가능성 및 관측 가능성 분석:
- SSM 의 순환 단위 (LRU) 가 제어 가능/관측 가능하고, 입력/출력 비선형성 ( $S_u, S_y$ ) 이 이-리프시츠 조건을 만족할 때, 전체 SSM 모델이 국소적으로 제어 가능하고 관측 가능함을 증명했습니다.
LMI 기반 제어기 및 관측기 합성:
- 상태 피드백 제어기와 관측기에 대한 충분 조건을 LMI 형태로 제시했습니다. 이 조건은 반정부 계획법 (Semidefinite Programming) 으로 효율적으로 풀 수 있으며, 비선형성의 기울기 범위를 고려하여 전역 지수 안정성을 보장합니다.
비선형 SSM 을 위한 분리 원리 확립:
- 이산 시간 SSM 에 대해 제어기와 관측기의 독립적 설계를 통한 폐루프 안정성을 보장하는 분리 원리를 증명했습니다. 이는 일반적인 비선형 시스템에서는 성립하지 않는 중요한 이론적 결과입니다.

4. 실험 결과 (Results)

시뮬레이션 대상: 부하, 쿨롱 마찰 (Coulomb friction), 데드존 (Dead zone) 등의 비선형성을 포함하는 비선형 DC 모터 모델을 사용했습니다.
시스템 식별: PRBS 신호로 자극을 주어 데이터를 수집하고, 32 개의 뉴런을 가진 단일 은닉층을 가진 SSM 을 학습시켰습니다. 학습된 모델은 실제 시스템의 동역학을 정확하게 추종했습니다.
제어 성능:
- 제안된 프레임워크로 설계된 제어기 - 관측기 쌍을 다양한 초기 조건 (균일 분포에서 샘플링) 에서 테스트했습니다.
- 결과: 비선형 수학적 모델 위에서 제어기와 관측기는 **강인성 (Robustness)**과 안정성을 입증했으며, 모든 초기 조건에서 시스템이 안정적으로 수렴하는 것을 확인했습니다.

5. 의의 및 결론 (Significance)

이론적 통합: 머신러닝 (SSM) 과 제어 이론 (수축 이론, LMI) 을 효과적으로 결합하여, 비선형 시스템에 대한 해석 가능하고 안정성이 보장된 데이터 기반 제어 프레임워크를 제시했습니다.
실용성: Transformer 기반 모델의 계산 효율성 문제와 기존 RNN/LSTM 의 학습/추론 속도 문제를 해결하면서도, 복잡한 비선형 동역학을 정확하게 모델링하고 제어할 수 있습니다.
확장성: 제안된 분리 원리와 LMI 기반 설계는 다양한 비선형 공학 시스템에 적용 가능한 확장 가능한 방법론을 제공합니다.

이 논문은 비선형 시스템 제어 분야에서 데이터 기반 모델링과 이론적 안정성 보장을 동시에 달성할 수 있는 새로운 패러다임을 제시한다는 점에서 중요한 의의를 가집니다.