Robust stabilization of discrete-time linear systems requires nonlinear dynamic feedback

공학의 세계에서 기계는 결코 완벽할 수 없습니다. 로봇 팔, 드론, 또는 자율주행 자동차는 수학적 모델을 기반으로 제작되지만, 현실 세계는 항상 작은 오차를 불러옵니다. 금속이 계산보다 약간 더 무거울 수도 있고, 바람이 예상보다 강하게 불 수도 있으며, 배터리 전압이 변동할 수도 있습니다. 엔지니어들은 이러한 차이를 "불확실성(uncertainties)"이라고 부릅니다. 강인 제어(robust control)의 목표는 어떤 특정한 버전의 불확실성이 실제로 발생하더라도 기계를 안정적으로 유지하고 경로를 이탈하지 않게 만드는 단 하나의 "두뇌" 또는 컨트롤러를 설계하는 것입니다. 이는 마치 바람이 북쪽에서 불든, 동쪽에서 불든, 혹은 그 사이 어디쯤에서 불든 상관없이 배를 안전하게 인도하는 단 한 세트의 지침을 작성하는 것과 같습니다. 수십 년 동안 엔지니어들은 특정 유형의 지침 세트인 선형 컨트롤러(linear controller)에 의존해 왔습니다. 이것은 오류가 두 배가 되면 수정량도 두 배가 되는 것처럼, 반응이 문제에 직접적으로 비례하는 규칙들입니다. 이들은 단순하고 예측 가능하며 계산하기 쉽습니다. 그러나 한 가지 의문이 남아 있었습니다. 이 단순하고 비례적인 접근 방식이 가능한 모든 종류의 불확실성을 처리할 만큼 강력한가, 아니면 단순히 실패하게 되는 상황이 존재하는가 하는 점입니다.

한 연구팀이 이제 이 질문에 대해 확정적인 "아니오"라는 답변을 내놓았습니다. 그들은 특정 불확실성 그룹에 대해 단순한 선형 컨트롤러나 정적 비선형 컨트롤러조차 기계를 안정화할 수 없음을 증명했습니다. 대신, 그들은 광범위한 불확실성 범위 내의 모든 시나리오에 대해 안정성을 보장하려면 컨트롤러가 반드시 동적(dynamic)이고 비선형(nonlinear)이어야 한다는 것을 입증했습니다. 쉽게 말해, 컨트롤러는 시간이 흐름에 따라 진화하는 내부 메모리를 가져야 하며, 복잡하고 비비례적인 방식으로 행동을 바꿀 수 있어야 합니다. 연구진은 단순히 그러한 컨트롤러이 존재한다는 것을 증证明한 데 그치지 않고, 그것을 어떻게 만드는지 정확히 보여주었습니다. 그들의 방법은 각각 특정 불확실성 조각을 처리하는 데 능숙한 서로 다른 단순 컨트롤러들의 라이브러리를 만드는 것을 포함합니다. 이 새로운 복잡한 컨트롤러는 시스템을 지속적으로 모니터링하고 현재 시점에 어떤 단순 컨트롤러를 사용할지 결정하는 스마트한 스위치 역할을 합니다. 이러한 전환은 시스템의 현재 상태에 따라 자동으로 이루어지며, 이를 통해 기계는 단일한 정적 규칙으로는 다룰 수 없는 복잡한 불확실성 속에서도 적응하고 안정화될 수 있습니다.

이 연구는 디지털 컴퓨터가 매 분의 일 초마다 센서를 확인하고 모터를 조정하는 것과 같이, 이산적인 단계(discrete steps)로 작동하는 시스템에 초점을 맞추었습니다. 연구진은 먼저 "콤팩트 집합(compact set)"을 정의했는데, 이는 기계의 파라미터가 변할 수 있는 모든 가능한 방식들을 모아놓은 유한하고 경계가 있는 집합을 의미합니다. 그들은 물었습니다: 단 하나의 컨트롤러가 이 그룹의 모든 구성원을 안정화할 수 있는가? 그들은 만약 그룹이 충분히 작다면 표준 선형 컨트롤러가 작동할 수 있다는 것을 발견했습니다. 하지만 가능한 불확실성의 집합이 커질수록 선형적인 접근 방식은 한계에 부딪힙니다. 연구팀은 특정 그룹의 시스템에 대해서는 어떤 선형 동적 컨트롤러도 성공할 수 없다는 것을 수학적으로 증명했습니다. 이러한 경우, 컨트롤러는 무한히 복잡해지거나 시스템이 통제 불능 상태로 치닫는 것을 막지 못하고 단순히 실패하게 될 것입니다. 이 발견은 제어 이론의 근본적인 한계에 대한 오랜 논쟁을 종결시켰다는 점에서 중요합니다. 이는 진정한 강인함을 달성하기 위해서는 엔지니어가 복잡성을 수용해야 함을 확인시켜 줍니다. 즉, 단순한 선형 방정식이 아니라, 자신만의 내부 상태를 가지고 실시간으로 전략을 바꿀 수 있는 동적인 시스템을 사용해야 한다는 것입니다.

이 이론적 돌파구를 실용적으로 만들기 위해, 저자들은 이러한 복잡한 컨트롤러를 설계하기 위한 구체적인 알고리즘을 개발했습니다. 과정은 전체 불확실성 시스템 그룹을 안정화하는 크고 어려운 문제를 더 작고 관리 가능한 조각들로 나누는 것으로 시작됩니다. 알고리즘은 불확실성의 범위를 여러 개의 작은 하위 집합으로 나눕니다. 각 작은 하위 집합에 대해서는 완벽하게 작동하는 단순한 선형 컨트롤러를 찾는 것이 가능합니다. 그런 다음 알고즘은 이 단순 컨트롤러들을 메모리에 보유하는 마스터 컨트롤러를 구축합니다. 시스템이 실행되는 동안, 이 마스터 컨트롤러는 기계의 상태를 관찰합니다. 만약 기계의 행동이 하나의 작은 하위 집합 패턴과 일치하면, 마스터 컨트롤러는 그에 대응하는 단순 컨트롤러를 활성화합니다. 만약 행동이 변화하여 더 이상 일치하지 않게 되면, 마스터 컨트롤러는 다른 컨트롤러로 매끄럽게 전환합니다. 이러한 전환은 무작위가 아닙니다. 이는 시스템이 항상 안정성을 유지하도록 보장하는 정밀한 상태 의존적 결정입니다. 연구진은 이 방법이 안정화 가능한 모든 콤팩트 집합에 대해 작동함을 보여주었으며, 선형 방법이 실패하는 곳에서 강인 제어를 위한 보편적인 레시피를 제공했습니다.

이 접근 방식의 위력은 두 바퀴 인버티드 펜듈럼(two-wheeled inverted pendulum), 즉 두 바퀴 위에서 똑바로 서 있는 고전적인 밸런싱 로봇의 시뮬레이션을 통해 입증되었습니다. 이 기계는 빗자루를 손 위에 세우는 것처럼 자연적으로 불안정하기 때문에 제어하기가 매우 까து롭습니다. 연구진은 물리적 파라미터가 명목값에서 최대 5%까지 변할 수 있도록 모델에 상당한 불확실성을 도입했습니다. 이는 수많은 가능한 로봇 버전을 만들어냈습니다. 새로운 알고리즘을 사용하여, 그들은 이 모든 버전을 다룰 수 있는 컨트롤러를 설계했습니다. 시뮬레이션에서 컨트롤러는 다양한 전략을 테스트하며 시작되었습니다. 컨트롤-러는 자신이 제어하는 특정 로봇이 처음에 시도한 몇 가지 전략과 일치하지 않는다는 것을 빠르게 깨달았습니다. 그다음은 다음 전략으로, 또 그다음 전략으로 전환하며, 각 선택지가 틀렸음을 입증하며 진행하다가, 로봇의 실제 행동과 일치하는 것을 찾아냈습니다. 일단 올바른 매칭을 찾으면, 컨트롤러는 그 전략에 고정되어 로봇의 균형을 유지했습니다. 시뮬레이션은 컨트롤러가 로봇을 성공적으로 안정화했음을 보여주었으며, 이는 이론적 방법이 실제로 작동함을 입증했습니다.

연구진은 또한 시스템이 얼마나 빨리 안정 상태로 돌아올 수 있는지도 탐구했습니다. 그들은 만약 컨트롤러가 시스템을 안정화할 수 있다면, 시스템이 단순히 직립하는 것을 넘어 방해를 받은 후에도 빠르게 중심으로 돌아오도록 보장된 속도로 설계될 수 있음을 발견했습니다. 이는 지수적 안정화(exponential stabilization)라고 알려져 있습니다. 그들의 방법은 엔지니어가 원하는 감쇄율(rate of decay)을 지정할 수 있게 하여, 시스템이 예측 가능한 시간 내에 안정되도록 보장합니다. 이러한 수준의 제어는 안전성과 반응성이 매우 중요한 실제 응용 분야에서 매우 중요합니다. 연구는 또한 다른 접근 방식의 한계를 명확히 했습니다. 그들은 컨트롤러가 비선형적일지라도 내부 메모리나 상태가 없는 정적(static) 형태라면, 특정 그룹의 시스템에 대해 여전히 실패한다는 것을 보여주었습니다. 이는 "동적(dynamic)"이라는 요소, 즉 과거의 상태를 기억하고 진화하는 능력이 "비선형(nonlinear)"이라는 요소만큼이나 중요하다는 결론을 강화합니다.

이 연구가 제어 이론의 모든 문제를 해결한다고 주장하는 것은 아닙니다. 연구진은 불확실성이 질량이나 마찰 계수와 같이 시스템 자체의 파라미터에 국한된 시스템에 초점을 맞추었습니다. 연구진은 실제 시스템이 바람의 돌풍이나 센서 오류와 같은 외부 노이즈에도 직면한다는 점을 인정했으며, 이는 본 연구의 주요 초점이 아니었습니다. 그러나 핵심적인 발견은 견고합니다. 파라미터 불확실성을 가진 시스템 군을 안정화하는 문제에 있어서, 기존의 선형 제어 도구들은 불충분합니다. 강인 제어의 미래는 서로 다른 운영 모드 사이를 전환할 수 있는 동적이고 비선형적인 전략에 있습니다. 구체적인 알고로즘을 제공함으로써, 연구진은 이 분야를 한계에 대한 이론적 이해에서 그 한계를 극복하기 위한 실용적인 도구 상제로 옮겨 놓았습니다. 그 결과, 더 똑똑하고, 더 적응력이 뛰어나며, 단순한 방법으로는 할 수 없었던 방식으로 물리적 세계의 무질서한 현실을 다룰 수 있는 새로운 클래스의 컨트롤러가 탄생했습니다.