기술 요약: $L_2$-유계 구조적 상태 공간 제어기를 위한 자유 파라미터화

1. 문제 정의

비선형 시스템을 위해 복잡하고 비볼록(non-convex)한 목적 함수를 동시에 최적화하면서 안정적인 제어 정책을 설계하는 것은 여전히 중대한 과제로 남아 있습니다. 신경망(NN)은 표현력이 뛰어나지만, 본질적인 강건성이 부족한 경우가 많습니다. 즉, 작은 입력 섭동이 예측 불가능하게 전파되어 폐루프 시스템을 불안정하게 만들 수 있습니다.

안정성을 보장하기 위한 기존 방식들은 일반적으로 최적화 과정 중에 제어기 파라미터에 명시적인 제약을 부과합니다. 그러나 이러한 제약(예: 투영 또는 제약 최적화)을 강제하는 것은 계산 오버헤드를 유발하고 학습 과정을 복잡하게 만듭니다. 또한, 연속 시간 정책(예: Port-Hamiltonian 모델 또는 Neural ODE)에 의존하는 방법들은 이산화될 때 $L_2$-이득(gain) 보장을 놓치거나 구현하기 까다로운 암시적 방정식을 생성하는 문제를 겪습니다. 본 논문이 다루는 핵심 문제는, 일반적인 비선형 목적 함수에 대해 완전한 무제약 최적화를 허용하면서도, 설계 단계에서 안정성이 보장되는 이산 시간 제어기를 어떻게 파라미터화할 것인가 하는 점입니다.

2. 방법론

본 논문은 구조적 상태 공간 모델(SSM), 구체적으로는 **$L_2$RU($L_2$-Recurrent Unit)**라고 불리는 새로운 아키텍처를 활용한 프레임워크를 제안합니다. 이 방법론은 세 가지 기둥을 바탕으로 합니다.

A. 이론적 기초: 소규모 이득 정리 (Small-Gain Theorem)

이 접근 방식은 폐루프 안정성을 보장하기 위해 소규모 이득 정리를 활용합니다. 플랜트(plant)가 알려진(또는 추정된) 유한한 $L_2$-이득 $\hat{\gamma}$를 가지고 있고, 제어기가 $L_2$-이득 $\gamma$를 갖도록 설계되어 $\gamma\hat{\gamma} < 1$을 만족한다면, 피드백 상호 연결은 $L_2$-안정함이 보장됩니다. 목표는 최적화 변수와 독립적으로 $\gamma$가 고정되고 규정된 제어기 파라미터화를 구축하는 것입니다.

B. 새로운 자유 파라미터화 (Free Parametrization)

저자들은 규정된 $L_2$-이득 $\gamma$를 갖는 선형 시불변(LTI) 시스템을 위한 자유 파라미터화를 도입합니다. 복잡한 제약 조건이나 투영을 필요로 했던 이전 방법들과 달리, 이 파라미터화는 자유 파라미터 집합 $\omega \in \mathbb{R}^q$를 시스템 행렬 $(A, B, C, D)$로 직접 매핑하며, 결과적으로 생성된 시스템은 항상 $L_2$ 경계 $\gamma$를 만족합니다.

이 파라미터화(논문의 Block 1)의 주요 특징은 다음과 같습니다:

• 복소 대각 구조 (Complex-Diagonal Structure): 상태 행렬 $A$는 복소 고윳값 $\lambda_j = \exp(-\exp(\mu_j) + i \exp(\theta_j))$를 갖는 대각 행렬로 파라미터화됩니다. 이 구조는 LRU(Linear Recurrent Unit) 아키텍처로부터 계승되었습니다.
• 명시적 이득 제어: 피드스루(feed-through) 행렬 $D$와 $B, C$의 스케일링은 Bounded Real Lemma 조건을 통해 $\gamma$ 경계를 엄격하게 강제하도록 유도됩니다.
• 일반화: 이 방법은 정사각 시스템에 국한되지 않고 임의의 차원($n_h, n_u, n_y$)을 지원함으로써 이전 연구(Massai 및 Ferrari-Trecate, 2025)를 일반화합니다.

C. $L_2$RU 아키텍처

$L_2$RU 아키텍처는 여러 개의 상태 공간 레이어(SSL)를 쌓아 올립니다. 각 레이어는 다음으로 구성됩니다:

1. 새로운 자유 파라미터화에 의해 파라미터화된 LTI 시스템.
2. 정적이고 리프시츠 연속(Lipschitz-bounded)인 비선도 함수 (예: 유계된 MLP).
3. 스킵 연결(skip connection).

전체 아키텍처는 선형 인코더와 디코더에 의해 전/후 처리가 됩니다. 선형 성분의 $L_2$-경계가 설계에 의해 고정되어 있고 비선도 함수가 리프시츠 유계이므로, 제어기의 전역 $L_2$-이득을 규정할 수 있습니다. 이를 통해 제어기 파라미터를 임의의 비용 함수를 최소화하기 위해 완전한 무제약 최적화(예: 경사 하강법)를 통해 튜닝할 수 있으며, 안정성은 사전에 보장됩니다.

D. 계산 효율성

제안된 파라미터화의 결정적인 장점은 **병렬 스캔 알고리즘(parallel scan algorithms)**과의 호환성입니다. $A$의 복소 대각 구조 덕분에 시퀀스 길이에 대한 선형 계산 복잡도로 매우 효율적인 시간 영역 시뮬레이션이 가능합니다. 이는 순차적 처리가 필요하거나 암시적 방정식을 풀어야 하는 표준 RNN 또는 암시적 방법(NODE 또는 Recurrent Equilibrium Networks 등)과 대조되며, 긴 호라이즌에 대해 더 높은 확장성을 제공합니다.

3. 주요 기여

1. 새로운 자유 파라미터화: $L_2$-이득을 설계 단계에서 강제하는 SSM 기반 $L_2$RU 아키텍처의 새로운 자유 파라미터화를 제시합니다. 이는 계산 비용이 많이 드는 투영, 제약 최적화 또는 사후 검증의 필요성을 제거합니다.
2. 안정성과 최적화의 분리: 플랜트와의 소규모 이득 조건을 만족하도록 $L_2$-이득을 고정함으로써, 안정성 보장과 최적화 과정을 분리합니다. 이를 통해 복잡한 비선형 목적 함수에 대해 표준적인 무제약 최적화 도구를 사용할 수 있게 합니다.
3. 계산 확장성: 제안된 구조는 병렬 스캔을 통한 긴 입력 시퀀스의 병렬 처리를 가능하게 하여, 순차적 재귀나 암시적 솔버에 의존하는 기존 NN 기반 제어 방법보다 상당한 효율성 이득을 제공합니다.
4. 실험적 검증: 이 접근 방식은 바퀴 달린 로봇 군집의 포메이션 제어 작업에 적용되어, 충돌 회피 및 장애물 회피를 수행하면서도 폐루프 안정성을 유지하는 능력을 입증했습니다.

4. 결과

저자들은 $N$개의 비선형 바퀴 달린 로봇(Robotarium 플랫폼에서 이산화됨)의 시뮬레이션 연구를 수행했습니다.

• 설정: 중앙 집중형 제어기가 로봇들이 타겟 위치로 이동하면서 정적 장애물 및 상호 충돌을 피하도록 학습되었습니다. 플랜트의 $L_2$-이득은 $\hat{\gamma} \approx 18.57$로 추정되었습니다.
• 제어기 설계: 3개 레이어로 구성된 $L_2$RU 제어기가 $\gamma = 1/(18.57 + 0.001)$의 규정된 이득을 갖도록 학습되었으며, 이는 소규모 이득 조건을 만족합니다.
• 성능: 학습된 제어기는 에이전트들이 목표로 안내하는 동시에 충돌을 성공적으로 회피했습니다. 결과(그림 2 및 3)는 제어기의 $L_2$-경계를 제한하는 것이 표현력이나 성능의 유의미한 손실을 초래하지 않았음을 보여줍니다. 에이전트 간의 상대적 거리는 시뮬레이션 내내 안전 임계값 이상으로 유지되었습니다.

5. 의의 및 주장

본 논문은 이 접근 방식이 안정성이 필수적인 제약 조건인 경우, 계산적 실행 가능성을 희생하지 않으면서 비선형 시스템을 위한 안정적인 제어 정책을 설계하는 "만만치 않은 과제"를 해결한다고 주장합니다.

• 설계에 의한 안정성 (Stability by Design): 주요 의의는 소규모 이득 정리를 통해 설계 단계에서 폐루프 안정성을 보장함으로써, 학습 단계에서의 제한적인 제약을 제거할 수 있다는 점입니다.
• 실용성: 저자들은 이산 시간 특성과 병렬성을 갖춘 $L_2$RU가, 이산화 문제나 높은 계산 비용을 겪는 연속 시간 방법(예: Port-Hamiltonian 또는 NODE)보다 실제 구현에 더 적합하다는 점을 강조합니다.
• 범위에 대한 겸허한 태도: 논문은 한계점을 인정하며, 소규모 이득 보장이 플랜트의 $L_2$-경계를 계산하거나 추정할 수 있는 능력에 의존하므로 일반적인 비선형 시스템에 대해서는 어려울 수 있다고 언급합니다. 또한, 제안된 파라미터화는 $L_2$-유계성을 위한 충분 조건이지 필요 조건은 아니라는 점을 명시합니다. 즉, 모든 가능한 $L_2$-유계 시스템의 전체 공간을 다루지는 못할 수 있지만, 실질적인 제어 설계에는 충분하다는 의미입니다.

저자들은 이 프레임워크가 안정성이 엄격한 제약 조건인 제어 문제에 딥러닝을 적용할 수 있는 길을 열어준다고 결론지으며, 향후 연구는 실제 환경 배포 및 모델 기반 강화 학습과의 통합에 집중할 것이라고 밝혔습니다.