⚡ electrical engineering

Optimal shaping filter design for data-driven feedforward controller tuning

본 논문은 2자유도 시스템에서 피드포워드 제어기의 데이터 기반 튜닝을 위한 최적의 형성 필터 설계를 제안하며, 이는 직접적인 데이터 기반 식별과 정밀한 모델 매칭 사이의 간극을 효과적으로 메우는 동시에 추정 응답 반복 튜닝(ERIT)에 대한 우월성과 관계를 입증한다.

원저자: Yusuke Fujimoto

게시일 2026-08-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yusuke Fujimoto

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

당신이 로봇 팔에게 전문 무용가처럼 정확하게 움직이는 법을 가르치려 한다고 상상해 보십시오. 공학의 세계에서 이것은 '제어(control)'라고 불리며, 보통은 로봇의 신체(물리적 특성, 무게, 마찰력)에 대한 완벽한 설계도가 있어야 명령어를 작성할 수 있습니다. 하지만 현실 세계에서 그 설계도를 만드는 것은 악몽과 같습니다. 로봇은 복잡하고, 부품은 마모되며, 때로는 로봇이 내일 얼마나 무거운 짐을 실게 될지 알 수 없는 경우도 있기 때문입니다. 그래서 엔지니어들은 다른 기술인 '데이터 기반(data-driven)' 학습을 사용하기 시작했습니다. 설계도를 추측하는 대신, 그저 로봇이 움직이는 것을 관찰하고 데이터를 기록한 뒤, 로봇이 완벽하게 춤을 출 때까지 명령어를 미세하게 조정하는 방식입니다.

하지만 여기에는 함정이 있습니다. 만약 당신이 단순히 "이 완벽한 무용수처럼 똑같이 움직여라"라고 로봇에게 말하고, 로봇의 움직임을 무용수의 움직임과 단순히 비교함으로써 최적의 명령어를 찾으려 한다면, 속임수에 빠질 수 있습니다. 이는 마치 완성된 곡만을 듣고 피아노를 배우려는 것과 같습니다. 당신은 단지 그래프상으로 결과가 좋아 보인다는 이유만으로, 엉뚱한 타이밍에 건반을 누르거나 잘못된 힘을 사용하게 될 수도 있습니다. 수학적으로 볼 때, 단순히 '완벽한' 제어기를 복사하는 것만으로는 완벽한 성능을 얻기에 충분하지 않습니다. 원시 데이터와 실제 목표 사이의 간극을 메워줄 특별한 번역기, 즉 '형태 변환 필터(shaping filter)'가 필요합니다. 이 논문은 그 간극을 파고들며 다음과 같이 질문합니다. "우리의 데이터 기반 로봇이 의도한 대로 정확하게 춤을 추게 만들기 위한 완벽한 번역기는 무엇인가?"

저자 유스케 후지모토(Yusuke Fujimoto)는 로봇이 두 종류의 제어기를 함께 사용하는 특정 설정에 집중하여 이 문제를 다룹니다. 하나는 로봇을 안정적으로 유지하는 '피드백(feedback)' 제어기(외줄 타기 선수가 사용하는 균형 잡기용 장대와 같은 역할)이고, 다른 하나는 로봇에게 정확히 어떻게 움직일지 알려주는 '피드포워드(feedforward)' 제어기(춤 동작과 같은 역할)입니다. 목표는 로봇의 숨겨진 물리 법칙을 알 필요 없이, 연습 주행에서 얻은 데이터를 사용하여 '춤 동작'을 미세하게 조정하는 것입니다.

이 논문은 단순히 데이터로부터 '최적의' 제어기를 찾아내는 일반적인 접근 방식이 결함이 있다고 주장합니다. 이는 요리를 맛보고 재료를 추측하여 최고의 레시피를 찾으려는 것과 같습니다. 맛은 비슷하게 낼 수 있을지 몰라도 식감은 어긋날 수 있습니다. 저자는 원하는 정확한 성능을 얻기 위해서는 데이터를 조정하기 전에 반드시 특정 '형태 변환 필터'를 통과시켜야 한다고 보여줍니다. 이 필터는 마치 시각을 교정해 주는 특수 안경처럼 작동하여, 우리가 데이터에서 오차를 최소화할 때 실제로 로봇의 실제 성능에서도 오차를 최소화하고 있는지 확인해 줍니다.

여기서 핵심적인 발견은 이 '완벽한 필터'에 대한 공식입니다. 저자는 이 필터를 이미 알고 있는 정보들—로봇의 초기 움직임, 원하는 춤 동작, 그리고 안정성 제어기—만을 사용하여 구성한다면, 당신의 튜닝이 성공할 것임을 수학적으로 보장할 수 있다고 증명합니다. 이것은 단순한 추측이 아닙니다. 논문은 데이터를 더 많이 수집할수록 이 방법이 최적의 해로 이어진다는 증명을 제공합니다. 흥미롭게도, 이 논문은 '추정 응답 반복 튜닝(Estimated Response Iterative Tuning, ERIT)'이라 불리는 기존의 인기 있는 방법이, 연습 주행과 최종 성능 모두에 동일한 유형의 움직임 신호를 사용할 때만 적용되는 완벽한 버전의 필터임을 밝혀냅니다.

이것이 단순히 종이 위의 수학적 이론이 아님을 보여주기 위해, 저자는 두 가지 테스트를 수행했습니다. 첫째, '로봇'이 수학적 모델인 컴퓨터 시뮬레이션입니다. 결과는 필터 없이 수행했을 때는 로봇의 움직임이 어떤 영역에서는 괜찮았지만 다른 영역에서는 크게 벗어났음을 보여주었습니다. 반면 필터를 사용했을 때, 로봇의 성능은 이상적인 '오라클(oracle, 모든 비밀을 알고 있는 완벽한 제어기)'에 훨씬 더 가까워졌습니다. 두 번째 테스트에서 저자는 실험실 벤치 위에 놓인 실제 물리적 모터를 사용했습니다. 새로운 필터를 사용하여 모터를 튜닝했을 때, 필터 없는 방법보다 훨씬 적은 흔들림과 오차를 보이며 원하는 경로를 추적했습니다. 오차가 현저히 줄어들었으며, 이는 이 '번역기'가 실제 기계가 더 잘 춤을 추도록 실제로 도움을 준다는 것을 입증했습니다.

요약하자면, 이 논문은 로봇 제어의 까다로운 퍼즐을 해결합니다. 즉, 완벽한 매뉴얼 없이도 과거의 데이터를 사용하여 미래의 움직임을 프로그래밍하는 방법입니다. 그 답은 데이터를 바라보는 방식을 교정해 주는 영리한 '형태 변환 필터'에 있습니다. 결국, 로봇의 실수를 배우는 가장 좋은 방법은 실수를 직접 보는 것이 아니라, 올바른 렌즈를 통해 보는 것입니다. 그리고 만약 당신이 ERIT이라는 특정 방법을 사용해 왔다면, 실험에 동일한 유형의 신호를 계속 사용한다는 전제하에 당신이 올바른 길을 가고 있었음을 이 논문은 확인해 줍니다.

기술 요약: 데이터 기반 피드포워드 제어기 튜닝을 위한 최적 형상 필터 설계

문제 정의
본 논문은 2자유도(2-DOF) 제어 시스템 내에서의 데이터 기반 모델 매칭 문제를 다룬다. 구체적으로, 예비 실험으로부터 얻은 입출력 데이터를 사용하여 피드포워드 제어기 $C_{ff}(\rho)$ 를 튜닝함으로써, 폐루프 시스템 $T(\rho)$ 와 원하는 참조 모델 $T_d$ 사이의 불일치를 최소화하는 데 초점을 맞춘다.

일반적인 접근 방식은 데이터로부터 "최적"의 제어기(완벽한 모델 매칭을 달고 있는 제어기)를 직접 식별하는 것이지만, 본 논문은 이것만으로는 불충분하다고 주장한다. 제어기 구조가 고정되어 있어 이상적인 역모델을 완벽하게 표현할 수 없는 경우(즉, $C^*_{ff} \notin \mathcal{C}$ ), 식별된 제로와 최적의 제어기 사이의 파라미터 오차를 최소화하는 것이 실제 제어 성능 오차의 최소화를 보장하지는 않기 때문이다. 이러한 격차는 제어기 파라미터의 유사성이 곧 폐루프 성능의 유사성을 의미하지 않기 때문에 발생한다. 이 간극을 메우기 위해, 비용 함수에 형상 필터(또는 프리필터) $L$ 을 도입한다. 그러나 알려지지 않은 실제 플랜트 $P$ 대신 가용 데이터만을 사용하여 최적의 형상 필터를 설계하는 것은 여전히 중요한 과제로 남아 있다.

방법론
본 논문은 가중치 $W$ 가 적용된 모델 매칭 오차의 $H_2$ 노름을 최소화하는 파라미터 $\rho$ 를 찾는 문제로 정식화한다:
$J(\rho) = \|W(T(\rho) - T_d)\|^2$
여기서 $W$ 는 가중치 함수이며, $P$ 는 미지의 값이다.

저자는 형상 필터 $L$ 을 활용한 데이터 기반 비용 함수를 제안한다:
$J_L(\rho) = \sum_{k=0}^{N-1} \left( L(T_d u^0_k - C_{ff}(\rho) y^0_k) \right)^2$
여기서 $u^0_k$ 와 $y^0_k$ 는 초기 피드포워드 파라미터 $\rho_0$ 를 사용한 예비 실험의 입출력 데이터이다.

핵-방법론은 데이터 길이 $N \to \infty$ 일 때 $J_L(\rho)$ 를 최소화하는 것이 실제 성능 지표인 $J(\rho)$ 를 최소화하는 것과 점근적으로 동등하도록 하는 최적의 $L$ 을 도출하는 것이다. 이 유도는 다음을 가정한다:

시스템은 노이즈가 없다.
초기 피드백 루프는 내부적으로 안정하다.
참조 신호의 스펙트럼은 알려져 있다 (알려진 필터 $R$ 에 의해 생성된 스텝 신호 또는 화이트 노이즈가 $R$ 에 의해 필터링된 형태).

주요 기여
본 연구의 주요 기여는 구조적 제약으로 인해 완벽한 모델 매칭이 불가능한 경우, 데이터 기반 피드포워드 튜닝을 위한 최적 형상 필터를 명시적으로 도출한 것이다. 제안된 필터는 다음과 같다:
$L = \frac{1}{C_{ff}(\rho_0) + T_d C_{fb}} \frac{W}{R} \frac{1}{z^m}$
여기서 $C_{fb}$ 는 피드백 제어기, $T_d$ 는 참조 모델이며, $z^{-m}$ 은 필터가 적절한(proper) 성질을 갖도록 보장하기 위한 순수 지연(pure delay)이다.

이 기여의 주요 특성은 다음과 같다:

구성 가능성: 필터는 미지의 플랜트 $P$ 에 대한 지식 없이, 가용 정보(초기 데이터, 알려진 제어기, 참조 모델 및 신호 스펙트럼)만으로 구성된다.
최적성: 본 논문은 이 특정 $L$ 을 사용하여 $J_L(\rho)$ 를 최소화하는 것이 무한한 데이터의 한계 내에서 실제 성능 비용 $J(\rho)$ 를 최소화하는 것과 동일한 최적 파라미터 $\rho$ 를 얻음을 증명한다.
ERIT와의 관계: 본 논문은 제안된 방법과 추정 응답 반복 튜닝(ERIT) 사이의 이론적 연결 고리를 확립한다. 이는 ERIT가 제안된 프레임워크의 특수한 사례임을 보여주며, 가중치 함수 $W$ 가 정확히 참조 신호 필터 $R$ 과 같을 때(즉, 튜닝 실험에 동일한 참조 신호가 사용될 때) 최적임을 입증한다.

결과
제안된 형상 필터의 효과는 두 가지 사례 연구를 통해 검증되었다:

수치 예제:
- 단순한 피드포워드 구조(참조 모델을 완벽하게 매칭하기에는 불충분함)를 가진 선형 시불변 시스템이 사용되었다.
- Case 1 ( $W=1$ ): 최적 형상 필터는 하이패스(high-pass) 특성을 보였다. 필터 없이 튜닝된 제어기가 파라미터 공간에서는 "이상적인" 제어기에 더 가까웠으나, 폐루프 추종 성능 측면에서는 더 열악했다. 필터가 적용된 튜닝은 특히 고주파 영역에서 참조 모델에 부합하도록 폐루프 응답을 크게 개선하였다.
- Case 2 ( $W=R$ ): 이 시나리오는 ERIT 설정에 해당한다. 결과에 따르면, 형상 필터를 사용하는 것(ERIT와 동일)이 필터 없이 튜닝하는 것에 비해 제곱 추종 오차를 약 43% 감소시켰으며, 출력의 진동을 효과적으로 제거하였다.
실제 실험:
- Quanser Rotary Servo Base Unit을 사용하여 스텝 참조 입력을 대상으로 실험을 수행하였다.
- 노이즈의 영향을 완화하기 위해 신호 투영(Signal projection)이 사용되었다.
- 제안된 형상 필터를 사용하여 업데이트된 제어기는 필터 없이 튜닝된 제어기보다 목표 출력을 훨씬 더 잘 추종하였다.
- 제안된 방법의 제곱 오차 합은 0.26이었으며, 이는 필터 없이 튜닝한 경우의 0.76, 초기 제어기의 0.81과 비교된다.

의의 및 주장
본 논문은 제안된 형상 필터가 제어기 구조가 제한적인 경우, 피드포워드 제어기를 위한 데이터 기반 모델 매칭 문제에 대한 엄격한 솔루션을 제공한다고 주장한다. 가용 데이터로부터 최적의 필터를 구성함으로써, 본 방법은 직접적인 제어기 식별이 노이즈가 없는 데이터에서도 최적의 성능을 내지 못할 수 있는 함정을 피할 수 있게 한다.

저자는 현재의 연구가 점근적 특성(큰 $N$ )에 집중하고 있음을 겸허히 언급하며, 제한된 데이터 양에서의 통계적 특성을 조사하는 것이 향후 연구의 필수적인 방향임을 밝힌다. 본 연구는 업데이트된 피드포워드 제어기가 안정성을 유지한다는 전제하에, 피드백 전용 튜닝보다 안정성을 보장하기가 더 용이한 2-DOF 제어 구조의 유용성을 강화한다.

유사한 논문