Beyond Shrinkage: Foundations of Data-Driven Control for Piecewise Affine Systems

기술 요약: 축소 beyond: 조각별 아핀 시스템을 위한 데이터 기반 제어의 기초

문제 제기
데이터 기반 예측 제어 (DeePC) 는 명시적인 시스템 식별을 우회하여 원시 입력/출력 데이터로부터 시스템을 직접 제어하는 강력한 프레임워크로 부상했습니다. 선형 시불변 (LTI) 시스템에서는 효과적이지만, 비선형 시스템으로 DeePC 를 확장하는 것은 여전히 큰 과제로 남아 있습니다. 조각별 아핀 (PWA) 시스템은 보편적 근사 능력과 제어 문헌에서의 광범위한 사용으로 알려진 비선형 모델의 대표적인 클래스입니다. 그러나 비선형 시스템을 위한 기존 데이터 기반 전략들은 종종 선형화, 국소 아핀 예측기, 또는 PWA 시스템의 구조적 전환 논리를 명시적으로 고려하지 않는 데이터 선택 기법에 의존합니다. 현재, 제어기의 결정이 시스템의 근본적인 조각별 행동과 일관되도록 보장하는 PWA 시스템을 위한 데이터 기반 예측 제어 전략은 존재하지 않습니다. furthermore, 이러한 일관성을 달성하는 데 있어 정규화 전략 (축소) 의 영향과 데이터 오분류에 대한 이러한 방법들의 민감도는 아직 탐구되지 않았습니다.

방법론
저자들은 Willems 의 기본 보조정리를 확장하여 PWA 시스템의 데이터 기반 제어를 위한 이론적 기초를 마련합니다. 방법론은 다음과 같은 단계를 거쳐 진행됩니다:

1. 행동 특성화: 이 논문은 상태 공간 PWA 표현에서 동등한 외입을 포함한 조각별 아핀 (PWARX) 모델로 전환합니다. 이는 활성 모드에 의해 결정되는 국소 아핀 커널의 가중 합으로서의 전역 행동을 정의하는 커널 표현을 확립합니다.
2. 데이터 기반 표현: 저자들은 PWA 시스템을 위한 Willems 의 기본 보조정리의 확장을 제안합니다. 그들은 사용 가능한 데이터를 특정 모드에 해당하는 부분집합으로 분할하여 (데이터셋에 대해 활성 모드 시퀀스가 알려져 있다고 가정) "모자이크" 데이터 행렬을 구성합니다. 이는 활성 모드와 일관된 희소 패턴을 강제하는 이진 선택 행렬을 활용하는 데이터 기반 예측기로 이어집니다.
3. 축소 전략 분석: 활성 모드 시퀀스를 명시적으로 최적화하기 위해 필요한 계산 비용이 큰 혼합 정수 문제를 해결하는 대신, 저자들은 희소성을 유도하기 위해 정규화에 의존하는 두 가지 "축소 기반" DeePC 방식을 분석합니다:
   • Elastic-DeePC: 데이터 선택기의 희소성을 촉진하기 위해 탄성 넷 (Elastic Net) 정규화기 ($L_1$ 및 $L_2$ 노름의 결합) 를 활용합니다.
   • CAP-DeePC: 국소 행동 그룹의 희소화를 촉진하기 위해 복합 절대 벌점 (Composite Absolute Penalty, 구체적으로 그룹 Lasso) 을 활용합니다.
4. 일관성 분석: 이 논문은 DeePC 해법이 초기 조건과 참조 궤적으로 요구되는 활성 모드의 데이터만을 독점적으로 활용하는 능력을 "일관성"으로 정의합니다. 저자들은 이러한 축소 방식이 그러한 일관성을 달성하기 위한 명시적 해와 필요 조건을 유도합니다.
5. 오분류 영향: 실제에서는 활성 모드 시퀀스가 일반적으로 알려져 있지 않음을 인식하여, 저자들은 비지도 클러스터링 (예: K-평균) 을 통한 모드 추정의 영향을 분석합니다. 오분류된 데이터를 사용하여 데이터 행렬이 구성될 때 달성된 비용에 대한 경계를 유도하고, 이러한 조건 하에서 Elastic-DeePC 와 CAP-DeePC 의 성능을 비교합니다.

주요 기여

• 행동 확장: 이 논문은 PWA 시스템에 대한 행동적 특성을 제공하고 Willems 의 기본 보조정리를 이 클래스로 확장하여, 모자이크 데이터 행렬과 이진 선택에 기반한 데이터 기반 예측기를 정의합니다.
• 일관성 한계: 이론적 분석과 명시적 해 도출은 축소 정규화 (Elastic Net 또는 그룹 Lasso) 만으로는 제어 행동이 실제 PWA 행동과 일관되도록 보장하기에 불충분함을 보여줍니다. 해법들은 종종 하나의 모드만 활성이어야 할 때에도 여러 모드의 데이터에 의존하여 시스템의 동역학과 구조적으로 일치하지 않는 결과를 초래합니다.
• 정규화 분석: 이 연구는 Elastic Net 과 대비하여 PWA 시스템을 위한 복합 절대 벌점 (CAP) 정규화에 대한 최초의 분석을 제시합니다. CAP 가 그룹 희소성을 촉진하지만, 혼합 정수 문제를 해결하지 않고는 PWA 시스템에 필요한 엄격한 구조적 일관성을 강제할 수 없음을 입증합니다.
• 오분류 경계: 저자들은 데이터를 잘못된 모드 클러스터로 오분류함으로써 발생하는 성능 저하 (비용) 에 대한 이론적 경계를 제공합니다. 분석은 CAP-DeePC 가 정규화 매개변수 내 클러스터 크기에 대한 의존성으로 인해 Elastic-DeePC 보다 이러한 오류에 더 민감함을 보여줍니다.

결과
간단한 PWA 시스템에 대한 수치 실험은 이론적 발견을 검증합니다:

• 추적 성능: 두 축소 기반 방식 모두 참조를 추적하고 시스템을 모드 전환하게 할 수 있습니다. 그러나 행동 성능 지표 (BPI) 는 해법의 희소 패턴이 실제 시스템 행동과 거의 일치하지 않음을 (즉, BPI 가 1 이 아님) 보여주어 일관성 부재를 확인합니다.
• 모드 전환: 시스템이 두 번째 모드에서 첫 번째 모드로 전환하도록 강제될 때 성능이 악화되는 경향이 있어, 전환을 처리하는 데 있어 축소 접근법의 어려움을 강조합니다.
• 오류 영향: 데이터가 오분류될 때 (K-평균 클러스터링을 통해 시뮬레이션), CAP-DeePC 의 성능은 정확한 클러스터링 경우에 비해 현저히 저하되는 반면, Elastic-DeePC 는 약간 개선되거나 안정성을 보입니다. 이는 CAP-DeePC 가 데이터 분할 오류에 더 민감하다는 이론적 경계와 일치합니다.

의의 및 주장
이 논문은 PWA 시스템의 데이터 기반 제어를 위한 기초를 마련했다고 주장합니다. 그 주요 의의는 DeePC 프레임워크에 표준 축소 정규화를 단순히 적용하는 것만으로는 PWA 시스템에 불충분함을 입증하는 데 있습니다. 저자들은 이러한 방법들이 입력/출력 추적을 달성할 수는 있지만, 시스템의 근본적인 조각별 구조와 "설명 가능"하거나 일관된 제어 행동을 생성하지 못한다고 주장합니다.

이 작업은 제어기의 해법과 국소 시스템 행동 간의 일관성을 보장하기 위해 향후 접근 방식은 단순한 정규화를 넘어설 것이라고 결론지었습니다. 저자들은 이것이 계산적 복잡성과 관련되더라도 활성 모드 시퀀스를 명시적으로 최적화하는 혼합 정수 DeePC 방식으로의 전환이 필요하다고 제안합니다. 또한, 이 논문은 현재 결과가 잡음이 없는 데이터와 알려진 모드 수에 국한되어 있음을 지적하며, 이를 향후 연구의 필수 영역으로 식별합니다.