기술 요약: 시계열 분리를 통한 차수 저감 및 하위 최적 MPC

문제 정의

모델 예측 제어(MPC)는 고차원 또는 고도의 비선형 시스템을 엄격한 샘플링 간격 내에 해결해야 하는 실시간 구현 측면에서 지속적인 과제에 직면해 있습니다. 계산 능력의 향상이 이러한 부담을 완화해 왔으나, 많은 응용 분야에서 최적의 해를 실시간으로 전역 최적성(global optimality)까지 도출하는 것은 여전히 불가능합니다.

이를 해결하기 위해 실제 현장에서는 다음과 같은 두 가지 전략이 흔히 사용됩니다:

1. 모델 차수 저감(Model Order Reduction): 특정 역학(예: 모델링되지 않은 빠른 역학 또는 저수준 보상기 상태)을 무시하여 최적화 문제의 차원을 줄이는 단순화된 모델을 활용합니다.
2. 하위 최적 접근법(Suboptimal Approaches): 정확한 최적해에 수렴할 때까지 기다리는 대신, 유한한 횟수의 반복(iteration) 내에서 최적 제어 문제의 근사해만을 계산합니다.

그러나 이 두 가지 전략을 모두 결합한 폐루프 시스템의 안정성과 타당성을 엄밀하게 분석하는 것은 어렵습니다. 최적화 오차(하위 최적성으로 인한)와 모델 불일치(차수 저감 모델링으로 인한) 사이의 상호작용은 시스템을 불안정하게 만들 수 있습니다. 기존 문헌들은 이러한 전략들을 별개로 다루거나, 물리적 플랜트의 연속 시간 특성과 샘플링 시간의 역할을 명시적으로 고려하지 않는 이산 시간 공식에 의존하는 경우가 많습니다.

방법론: SMART-MPC 프레임워크

저자들은 **SMART-MPC(SuboptiMAl and Reduced-order Tunable MPC)**라고 명명된 일반화된 프레임워크를 제안합니다. 이 프레임워크는 **시계열 분리(timescale separation)**에 기반한 엄밀한 안정성 분석 내에 하위 최적화 및 차수 저감 모델링을 통합합니다.

시스템 모델링

물리적 플랜트는 다음과 같이 구성된 연속 시간 상호 연결 비선형 시스템으로 모델링됩니다:

• 대상 역학 ($x_c$): 비용 함수에 포함되는 주요 상태 변수입니다.
• 추가 역학 ($\xi_c$): 모델링되지 않은 역학 또는 저수준 보상기(예: 모터의 전기적 역학)를 나타내는 보조 상태입니다. 이들은 빠르고 지수적으로 안정적이며, 대상 상태와 입력이 고정되었을 때 평형 매니폴드 $\xi_{eq}(x_c, u_c)$로 수렴한다고 가정합니다.
• 조절 가능한 파라미터 ($\epsilon$): 추가 역학의 시상수를 스케일링하는 파라미터로, 이 빠른 역학을 임의로 가속할 수 있게 합니다.

시스템은 샘플링 시간 $\delta$로 이산화되며, $\delta$는 단순히 고정된 파라미터가 아니라 조절 가능한 설계 변수로 취급됩니다.

제어 구조

SMART-MPC 알고리즘은 다음과 같이 작동합니다:

1. 차수 저감 모델: MPC 최적화기는 추가 역학을 평형 매니폴드($\xi_c = \xi_{eq}(x_c, u_c)$)에 구속함으로써 유도된 차수 저감 모델을 사용합니다. 이를 통해 최적화 변수에서 빠른 상태들을 제거합니다.
2. 하위 최적 최적화: 각 샘플링 순간마다 유한한 호라이즌 최적 제어 문제가 하위 최적으로 해결됩니다. 최적화기는 일반적인 알고리즘(예: 순차 이차 계획법, SQP)을 유한한 횟수의 반복 동안 실행하며, 내부 최적화 상태 $z_t$를 업데이트합니다.
3. 폐루프 상호 연결: 전체 차수의 물리적 플랜트(빠른 추가 역학 포함)가 반복적 최적화기와 상호 연결됩니다. 제어 입력은 전체 플랜트에 적용되지만, 최적화기는 오직 저차 모델만을 "봅니다".

이론적 분석

본 방법론의 핵심은 **섭동 이론(singular perturbation theory)**과 시계열 분리에 기반합니다. 저자들은 대상 상태가 고정되었다고 가정할 때의 **빠른 부하 시스템(경계층)**과, 빠른 상태 및 최적화기가 평형 매니폴드에 있다고 가정할 때의 **느린 부하 시스템(저감 시스템)**으로 나누어 폐루프 시스템을 분석합니다.

샘플링 시간 $\delta$를 조절 가능한 파라미터로 취급함으로써, 저자들은 $\delta$가 충분히 작고(또한 $\epsilon = r\delta$로서 추가 역학이 샘플링 속도에 비해 충분히 빠를 경우), 폐루프 시스템이 안정적인 이중 시계열 시스템처럼 동작함을 증명합니다.

주요 기여

1. 통합 프레임워크: 본 논문은 하위 최적 최적화와 차수 저감 모델링을 동시에 다루는 엄밀한 방법론적 관점을 제공합니다. 이는 실제 현장에서 휴리스틱하게 사용되지만 함께 분석되는 경우는 드문 조합입니다.
2. 설계 파라미터로서의 샘플링 시간: 샘플링 시간을 고정된 값으로 취급하는 기존 연구와 달리, 본 프레임워크는 $\delta$의 역할을 명시적으로 분석합니다. 이는 충분히 빠른 샘플링 속도로 운영하는 것이 저차 모델 및 하위 최적 솔루션 사용에도 불구하고 안정성을 보장하는 핵심임을 보여줍니다.
3. 공식적인 보장: 저자들은 특정 조건(충분히 작은 $\delta$ 및 적절한 $\epsilon$ 튜닝) 하에서 폐루프 시스템이 다음을 달성함을 증명합니다:
   • 재귀적 타당성(Recursive Feasibility): 최적화 문제가 매 단계에서 타당성을 유지합니다.
   • 지수적 안정성(Exponential Stability): 시스템은 대상 역학이 원하는 설정값에 도달하고, 최적화 상태가 최적 입력 시퀀스와 일치하며, 추가 역학이 평형 매니폴드에 머무는 평형점으로 지수적으로 수렴합니다.
4. 연속 시간 기초: 분석은 연속 시간 역학에서 직접 유도되어, 물리적 실체와 이산 시간 MPC 구현 사이의 간극을 메우며, 순수 이산 시간 분석보다 더 엄밀한 토대를 제공합니다.

결과 및 검증

이론적 결과는 고충실도 MuJoCo 물리 엔진에서 시뮬레이션된, DC 모터로 구동되는 **언더액추에이티드 2링크 로봇 팔(PenduBot)**에 대한 가상 실험을 통해 검증되었습니다.

• 실험 설정: MPC 최적화기는 모터의 전기적 역학(전류)을 무시하고 기계적 역학에 의존하는 차수 저감 모델을 사용합니다. 최적화는 각 샘플링 순간마다 SQP 방법의 단일 반복(Real-Time Iteration)을 사용하여 수행됩니다.
• 빠른 샘플링 성능: 샘플링 시간 $\delta$가 작고($0.005\text{ s}$), 추가 역학이 샘플링에 비해 충분히 빠를 때($\epsilon$이 작을 때), SMART-MPC의 성능은 두 가지 이상적인 벤치마크, 즉 (1) 정확한(전체 차수) 예측을 사용하는 하위 최적 MPC, (2) 정확한 예측을 사용하는 최적 MPC와 일치합니다. 시스템은 스윙업(swing-up) 기동을 성공적으로 수행하여 직립 평형 상태에 도달합니다.
• 성능 저하: 샘플링 속도가 느려지거나($0.07\text{ s}$) 시계열 분리가 감소하면(더 큰 인덕턴스 $L$), 성능이 저하되어 진동이 발생하거나 수렴에 실패할 가능성이 있습니다. 이는 충분한 시계열 분리의 이론적 필요성을 확인시켜 줍니다.
• 강건성: 무작위 초기 조건을 사용한 몬테카를로 분석은 빠른 샘플링 체제 하에서 이 접근 방식이 안정성을 유지하고 모든 시험에서 로봇을 성공적으로 안정화함을 보여줍니다.

의의 및 주장

본 논문은 제안된 SMART-MPC 프레임워크가 계산 자원이 제한된 복잡하고 고차원적인 시스템에 MPC를 배치하기 위한 이론적 근거를 갖춘 솔루션을 제공한다고 주장합니다. 시계열 분리를 활용함으로써 저자들은 다음과 같은 작업이 가능함을 입증했습니다:

• 안정성을 희생하지 않고 빠른 모델링되지 않은 역학을 무시할 수 있습니다.
• 계산 부하를 줄이기 위해 하위 최적 솔루션을 사용하면서도 재귀적 타당성을 해치지 않을 수 있습니다.
• 샘플링 시간의 적절한 튜닝을 통해 지수적 안정성과 재귀적 타당성을 보장할 수 있습니다.

저자들은 본 연구가 연속 시간 역학으로부터 엄밀한 증명을 제공하고 샘플링 시간의 역할을 명시적으로 규명함으로써 이전의 예비 버전들을 확장했음을 강조합니다. 도전적인 로봇 설정에서의 검증은 기계 및 전기 시스템이 결합된 실제 응용 분야에서 이 접근 방식의 실용적 생존 가능성을 시사합니다.