Hybrid Neural Network and Conventional Controller Approach for Robust Control of Highly Unstable Systems: Application to Tilt-Rotor Control

기술 요약: 고도의 불안정 시스템의 강건한 제어를 위한 하이브리드 신경망 및 전통적 제어기 접근 방식

문제 정의
전통적인 멀티로터 무인 항공기(UAV)는 본질적으로 언더액추에이티드(under-actuated) 상태이며, 이는 기동성을 제한한다. 틸트 로터 구성은 추력 벡터링 입력을 통해 완전한 액추에이션을 가능하게 함으로써 모든 자유도(DoF)에 대한 독립적인 제어를 허용하여 이 문제를 해결한다. 그러나 이러한 시스템은 상당한 동적 복잡성과 불안정성을 유발한다. 딥러닝은 다양한 제어 전략(예: PID, 슬라이딩 모드 제어, MPC)에 통합되어 왔으나, 고도로 불안정한 플랜트에 직접적인 입출력 학습을 적용하는 것은 여전히 과제로 남아 있다. 본 논문은 신경망이 완전히 액추에이티드된 틸트 로터 시스템을 직접 안정화할 수 있는지 조사하고, 신경망 기반의 시스템 식별과 전통적인 강건 제어를 결합한 하이브리드 대안을 제안한다.

연구 방법론
본 연구는 두 가지 별개의 단계로 구성된다:

1. 직접 입출력 학습 (부정적 결과):
   저자들은 먼저 직접 매핑 방식을 사용하여 틸트 로터 시스템을 제어하려고 시도했다. 이 방법에서는 다층 퍼셉트론(MLP), 장단기 메모리(LSTM) 네트워크, 그리고 트랜스포머(Transformer) 모델을 사용하여 시스템 상태와 원하는 궤적을 제어 입력(모터 속도 및 틸트 각도)으로 직접 매핑하도록 학습시켰다. 학습 데이터는 사전 설계된 슬라이딩 모드 제어기(SMC)를 사용하여 사인형 궤적과 특정 기동을 통해 생성되었다. 목표는 이러한 네트워크가 명시적인 동적 모델 없이 제어 정책을 학습할 수 있는지 평가하는 것이었다.

2. 신경망 강화 슬라이딩 모드 제어 (주요 기여):
   직접적인 접근 방식의 실패를 인지한 저자들은 하이브리드 제어 구조를 제안하였다. 직접 제어 정책을 학습하는 대신, 신경망을 플랜트의 동적 모델의 특정 구성 요소를 근사화하는 데 사용한다.

• 분해: 시스템 동역학은 방정식 $\ddot{\bar{x}} = a + Gv$를 기반으로 입력 독립 성분($a$)과 입력 의존 성분($G$)으로 분해된다.
• 학습: 비행 로그 또는 시뮬레이션에서 추출한 소규모 데이터셋을 사용하여 $\hat{a}$와 $\hat{G}$를 예측하도록 경량 신경망(MLP 또는 LSTM)을 학습시킨다. 이 네트워크들은 시스템 상태(자세, 각속도)와 동적 파라미터 사이의 관계를 학습한다.
• 제어 법칙: 예측된 파라미터($\hat{a}, \hat{G}$)는 표준 슬라이딩 모드 제어기(SMC)에 삽로된다. SMC는 이러한 학습된 근사치를 사용하여 제어 법칙을 계산함으로써 불확실성에 대한 강건성을 보장한다.
• 액추에이터 할당: 제어기는 가상 입력 벡터 $v$를 출력하며, 이는 제어 행렬의 비정방형(non-square) 특성을 처리하기 위해 최소 노름(minimum-norm) 해법을 사용하여 물리적 액추에이터 명령(BLDC 모터 속도 및 서보 틸트 각도)으로 매핑된다.

주요 결과

• 직접 학습의 실패: 직접 입출력 제어 전략은 고도로 불안정한 틸트 로터 시스템을 안정화하는 데 실패했다. 훈련 데이터에서 낮은 평균 절대 오차(MAE)를 달いても 불구하고, 네트워크는 실시간 오차 누적을 방지하지 못해 시스템 발산으로 이어졌다. 이는 근본적인 강건 제어 프레임워크 없이 직접 학습을 수행할 때 발생하는 근본적인 한계를 보여준다.
• 하이브리드 접근 방식의 성공: 신경망 강화 SMC는 시스템을 성공적으로 안정화했다.
  • 강건성: 시스템은 5-10%의 무작위 액추에이션 오차, 5%의 질량 증가, 20%의 관성 변화, 외부 바람 교란 등 상당한 불확실성 하에서도 안정성을 유지했다.
  • 성능 비교: 사용된 두 가지 네트워크 아키텍처 중, **LSTM 기반 플랜트 동역학 예측기(PDP)**가 MLP 기반 PDP보다 우수한 성능을 보였다. LSTM 제어기는 도전적인 조건에서 MLP의 1.05와 비교하여 0.21의 더 낮은 궤적 추적 평균 절대 오차(TT-MAE)를 달로했다.
  • 효율성: LSTM 구현은 또한 $a$ 성분의 예측을 위해 더 적은 파라미터를 요구하면서도 베이스라인 테스트(41.5s)보다 짧은 실행 시간(38.5s)을 보여, 저가형 마이크로컨트롤러 배포에 적합함을 입증했다.

의의 및 주장
본 논문은 직접적인 신경망 제어가 고도로 불안정한 틸트 로터 시스템에는 부적합하지만, 경량 신경망을 모델 기반 제어 프레임워크에 통합하는 것이 강건하고 효율적인 솔루션을 제공한다고 주장한다. 주요 기여는 다음과 같다:

• 한계 입증: 트랜스포머와 같은 고급 아키텍처를 사용하더라도 직접 입출력 학습이 고도로 불안정한 플랜트에서는 실패한다는 실증적 근거를 제공한다.
• 데이터 효율성: 제안된 방법은 제어 동작 자체가 아닌 플랜트 파라미터를 학습하는 데 집중하므로, 저성능 자세 제어기로부터 수집된 비행 로그를 사용하여 학습할 수 있다.
• 시뮬레이션 활용도: 실제 데이터로부터 학습된 동적 모델은 정확한 시뮬레이션을 위해 활용될 수 있다.
• 계산 가능성: 동역학을 분해하고 특정 구성 요소에 경량 네트워크를 사용함으로써, 실시간 계산 요구량을 줄여 자원이 제한된 하드웨어에 배포가 가능하다.

저자들은 이 하이브리드 접근 방식이 완전히 액추에이티드된 UAV를 위한 일반화되고 강건한 제어 전략을 제공한다고 결론지으며, 실험실 내 물리적 틸트 로터 플랫폼을 통해 이러한 발견을 검증할 계획이다.