⚡ electrical engineering

Dynamics and LQR Control of a Triple Inverted Pendulum on a Cart

본 논문은 오일러-라그랑주 방법을 사용하여 카트 위의 삼중 역진자 비선형 동역학을 유도하고, 시스템을 수직 평형 상태 주변에서 안정화하기 위한 선형 이차 조절기(LQR)를 설계하며, 광범위한 수치 시뮬레이션과 매개변수 민감도 분석을 통해 그 강건한 성능을 검증한다.

원저자: Ali Tebaan Hassan

게시일 2026-06-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ali Tebaan Hassan

원본 논문은 CC BY 4.0 (https://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

서커스 공연이 잘못되어 버린 듯한 아슬아슬한 균형 잡기를 상상해 보세요. 트랙 위의 작은 카트 위에, 하나도 아니고 무려 세 개의 긴 막대기가 서로 위로 쌓여 있는 채로 동시에 쓰러지려 하고 있습니다. 이것이 바로 "삼중 역진자(Triple Inverted Pendulum)"입니다.

현실 세계에서 이것을 제어하는 것은 매우 어렵습니다. 빗자루 한 개를 손 위에 세우는 것도 까다로운 일입니다. 만약 빗자루 세 개를 위로 쌓아 올린 뒤, 오직 손을 좌우로 움직이는 것만으로 이 셋을 모두 세워야 한다면, 그것은 불가능해 보일 것입니다. 이 논문이 다루는 내용이 바로 이것입니다. 다만 서커스 대신 수학과 컴퓨터 시뮬레이션을 사용했을 뿐입니다.

이 논문의 이야기를 다음과 같이 쉬운 부분들로 나누어 설명합니다:

1. 설정: 흔들리는 막대기 탑

연구진들은 이 시스템의 수학적 모델을 구축했습니다.

카트: 직선 트랙 위에서 왼쪽과 오른쪽으로만 움직일 수 있는 무거운 블록입니다.
진자: 사슬처럼 연결된 세 개의 단단한 막대기(링크)입니다. 첫 번째 막대는 카트에 붙어 있고, 두 번째는 첫 번째에, 세 번째는 두 번째에 붙어 있습니다.
목표: 카트를 움직여 막대기들이 쓰러지지 않게 함으로써, 세 개의 막대기 모두가 완벽하게 수직으로 서 있도록 유지하는 것입니다.

논문은 먼저 이 "게임의 규칙"을 작성하는 것으로 시작합니다. 그들은 모든 부분이 어떻게 움직이는지, 서로 어떻게 밀고 당기는지, 그리고 중력이 어떻게 아래로 끌어당기는지를 정확하게 계산하기 위해 오일러-라그랑주(Euler–Lagrange) 방식(물리학을 위한 매우 정밀한 레시피라고 생각하면 됩니다)을 사용했습니다. 그들은 막대기들이 서로 연결되어 있기 때문에 수학이 매우 복잡하다는 것을 발견했습니다. 즉, 맨 위의 막대기가 흔들리면 중간 막대를 흔들고, 이는 다시 아래쪽 막대를 흔들며, 결국 카트를 잡아당기게 됩니다.

2. 문제점: 쓰러지려는 성질

이 시스템은 본질적으로 불안정합니다. 연필 끝을 세우는 것과 같습니다. 아무런 도움 없이 그냥 내버려 둔다면, 이 탑은 1초도 안 되어 무너질 것입니다. 논문은 만약 그냥 놓아버린다면 전체 탑이 지수 함수적으로 빠르게 붕려할 것임을 보여줍니다.

3. 해결책: "똑똑한 두뇌" (LQR)

쓰러지는 것을 막기 위해 연구진은 카트를 위한 "똑똑한 두뇌"인 LQR 제어기(선형 이차 조절기, Linear Quadratic Regulator)를 설계했습니다.

작동 방식: 카트 옆에 서 있는 매우 빠르게 생각하는 코치를 상상해 보세요. 이 코치는 세 막대기의 각도를 관찰합니다. 만약 맨 위의 막대기가 아주 조금이라도 기울어지면, 코치는 즉시 카트에게 왼쪽이나 오른쪽으로 움직이라고 명령하여 이를 잡아냅니다.
수학: 코치는 특수한 방정식(리카티 방정식, Ricci equation)을 사용하여 적용해야 할 완벽한 힘의 양을 계산합니다. 이는 단순히 쓰러지는 것을 막는 것뿐만 아니라, 에너지를 낭비하지 않으면서 막대기들을 똑바로 세우는 데 초점을 맞춥니다.
결과: 이 코치는 매우 공격적입니다. 세 개의 막대기를 균형 있게 유지하려면 가장 무거운 막대기 무게보다 약 12배 더 강한 힘으로 카트를 밀어야 한다는 것을 계산해 냅니다.

4. 시뮬레이션: 테스트 실행

실제 물리적인 삼중 진자를 만드는 것은 위험하고 비용이 많이 들기 때문에, 그들은 자신들의 "코치"를 테스트하기 위해 고속 컴퓨터 시뮬레이션(비디오 게임의 물리 엔진과 같은)을 실행했습니다.

테스트: 누군가 살짝 건드린 것처럼, 막대기들이 이미 약간 기울어진 상태(중심에서 약 3~5도 정도 벗어난 상태)로 시뮬레이션을 시작했습니다.
결과: 제어기는 완벽하게 작동했습니다. 약 3초 만에 카트는 좌우로 움직이며 흔들림을 바로잡았고, 세 개의 막대기는 다시 완벽하게 수직으로 섰습니다.
카트의 여정: 카트는 가만히 서 있지 않았습니다. 쓰러지는 막대기에 대응하기 위해 왼쪽으로 약 8cm의 빠른, 날카로운 움직임을 보인 뒤, 다시 중심으로 부드럽게 돌아왔습니다.
힘: 카트가 가한 가장 강한 힘은 약 18 뉴턴(약 4파운드 무게의 사과 봉지를 들고 있는 힘)이었으며, 이는 표준 모터의 한계 범위 내에 있습니다.

5. 배운 점

논문은 설정값을 변경하며 코치가 얼마나 "엄격"해야 하는지를 테스트했습니다.

엄격한 코치: 제어기에게 "막대기가 지금 당장 완벽해야 해!"라고 말하면, 카트는 매우 빠르고 강하게 움직입니다. 막대기들은 약 1.3초 만에 안정되지만, 모터가 매우 힘들게 작동해야 합니다.
느긋한 코치: "조금 더 흔들려도 괜찮아"라고 말하면, 카트는 더 부드럽게 움직이지만 안정되는 데 약 4초가 걸립니다.
최적의 지점: 그들은 모터를 과하게 사용하지 않으면서도 약 3초 만에 막대기들을 안정시키는 중간 지점을 찾아냈습니다.

6. 왜 이것이 중요한가 (논문에 따르면)

저자들은 이것이 비록 "장난감" 같은 문제일지라도, 그 뒤에 숨겨진 수학은 훨씬 더 크고 실제적인 공학적 과제들과 동일하다고 설명합니다. 그들은 다음과 같은 곳에 동일한 원리가 적용된다고 언급했습니다:

두 다리로 걷는 휴머노이드 로봇.
바람이나 지진에 흔들리는 높은 건물.
수직으로 착륙하려는 로켓(SpaceX 로켓처럼).

요약

이 논문은 물리학에서 가장 어려운 균형 잡기 문제 중 하나를 해결하는 완전한 가이드입니다. 그들은 수학을 작성하고, 이를 제어할 "똑똑한 두뇌"를 만들었으며, 컴퓨터 시뮬레이션을 통해 단 하나의 움직이는 카트가 떨어지는 세 개의 막대기를 몇 초 만에 성공적으로 세울 수 있음을 증명했습니다. 또한 얼마나 많은 힘이 필요한지, 그리고 필요에 따라 얼마나 빠르게 혹은 부드럽게 조절할 수 있는지 정확하게 보여주었습니다.

기술 요약: 삼중 역진자 시스템의 동역학 및 LQR 제어

문제 정의
본 논문은 선형 운동이 제한된 카트에 장착된 삼중 역진자(Triple Inverted Pendulum, TIP)의 제어를 다룬다. 이 시스템은 비선형 동역학 및 고전 제어 이론에서 매우 도전적인 벤치마크로 식별된다. 이 시스템은 8자유도 상태 공간(카트 위치 및 세 개의 링크 각도), 단일 제어 입력(카트에 가해지는 수평 힘), 그리고 내재적 불안정성을 특징으로 한다. 직립 평형 상태는 불안정하며, 세 쌍의 불안정한 개루프 고유값(eigenvalues)을 가지며, 질량 행렬에는 상당한 비선형 결합 항이 포함되어 있다. 본 연구의 목적은 완전한 비선형 운동 방정식을 유도하고, 불안정 평형점 근처에서 시스템을 선형화하며, 초기 섭동으로부터 시스템을 안정화하기 위한 선형 이차 조절기(LQR)를 설계하는 것이다.

연구 방법론
본 연구는 구조화된 분석 및 수치적 접근 방식을 따른다:

분석적 모델링: 저자들은 오일러-라그랑주(Euler–Lagrange) 방법을 사용하여 완전한 비선형 운동 방정식을 유도한다. 시스템은 질량 $M$ 인 강체 카트와 중심에 점질량을 가진 세 개의 질량이 없는 강체 링크로 모델링된다. 라그랑지안( $L = T - V$ )은 카트와 링크의 운동 에너지 및 위치 에너지를 고려하여 정식화되며, 결과적으로 구성 변수에 의존하는 질량 행렬 $M(q)$ , 코리올리-원심력 행렬 $C(q, \dot{q})$ , 그리고 중력 벡터 $G(q)$ 를 산출한다.
선형화: 비선형 방정식은 1차 테일러 전개( $\sin \theta \approx \theta, \cos \theta \approx 1$ )를 사용하여 불안정한 직립 평형점( $q^* = 0, \dot{q}^* = 0$ ) 근처에서 선형화된다. 이를 통해 상수 계수를 갖는 8차 선형 상태 공간 표현( $\dot{z} = Az + Bu$ )을 얻는다.
제어 가능성 분석: 칼만 제어 가능성 행렬(Kalman controllability matrix)을 계산하여, 단일 카트 힘 입력을 통해 시스템이 완전하게 상태 제어 가능(rank 8)함을 확인한다.
제어기 설계: 대수 리카티 방정식(ARE)을 풀어서 LQR 제어기를 합성한다. 비용 함수는 상태 오차와 제어 노력의 가중 합을 최소화한다. 가중치 행렬은 브라이슨의 법칙(Bryson's rule)에 따라 선정되며, 카트 위치보다 각도 조절에 우선순위를 둔다.
수치 시뮬레이션: 4차 룬게-쿠타 적분법(RK45)과 적응형 스텝 사이즈 제어를 사용하여 폐루프 시스템을 시뮬레이션한다. 시뮬레이션은 초기 속도가 0인 상태에서 링크 각도의 최대 5° 섭동에 대한 시스템의 응답을 테스트한다.

주요 기여
본 논문은 다음과 같은 구체적인 기여를 주장한다:

모든 결합 및 기하학적 비선형성을 유지한 채, 완전한 비선형 TIP 운동 방정식에 대한 자기 완결적 유도.
명시적인 8×8 상태 공간 모델을 도출하는 엄격한 선형화 절차.
LQR 제어기의 합성 및 고유값 분석을 통한 안정성 검증, 이를 통해 모든 불안정 극점(poles)을 좌반평면으로 이동시킴을 입증.
시스템 상태, 에너지 및 위상-평면(phase-plane) 동역학을 분석하는 10개의 진단 도표로 뒷받s되는 고충실도 시뮬레이션 결과.
상태 비용 가중치 행 \로서의 제어 성능(침강 시간)과 제어 노력 사이의 트레이드오프를 정량화하는 파라미터 민감도 연구.

결과
수치 시뮬레이션은 다음과 같은 결과를 보여준다:

안정화: LQR 제어기는 약 ±3°에서 ±5°의 초기 각도 섭동으로부터 시스템을 성공적으로 안정화한다. 시스템은 약 3초 이내에 직립 평형 상태로 수렴한다.
제어 노력: 요구되는 피크 제어력은 약 18 N이며, 이는 첫 0.5초 이내에 발생한다. 이는 가정된 포화 한계인 ±50 N 이내에 머물러 있어, 이러한 초기 조건에 대한 선형 제어 전략의 효용성을 입증한다.
시스템 동역학: 카트는 안정화되기 전까지 약 0.08 m의 과도적 편차를 겪는다. 세 링크의 각도 변위는 모두 0으로 수렴하며, 특히 링크 3(최상단 링크)은 높은 비례 이득 덕분에 가장 빠르게 수렴한다.
에너지 및 안정성: 총 역학 에너지는 단조 감소하며, 이는 제어기에 의한 능동적인 에너지 추출을 나타낸다. 위상-평면 분석은 리미트 사이클(limit cycle)이나 카오스 끌개(chaotic attractor) 없이 전역 점근적 안정성을 확인한다.
민감도: 민감도 연구에 따르면, 각도 상태 가중치( $Q_\theta$ )를 10에서 1000으로 증가시키면 침강 시간이 약 4.2초에서 1.3초로 단축된다. 그러나 이러한 개선은 $Q_\theta \approx 200$ 이상에서는 수확 체감의 법칙을 보이며, 동시에 비례적으로 더 높은 제어력을 요구한다.

의의 및 맥락
본 논문은 TIP를 이족 보행 로봇, 케이블 구동 매니퓰레이터, 발사체의 자세 제어 등에 대한 관련성을 언급하며 고급 제어 기술을 위한 중요한 테스트베드로 위치시킨다. 데이터 기반 방법(예: 강화 학습, 물리 정보 신경망)의 최근 발전과 이를 카트-폴 시스템에 적용하는 사례를 인지하면서도, 저자들은 선형 영역 내에서의 전역적 최적성 보장과 무시할 수 있는 수준의 온라인 계산 부하 덕분에 모델 기반 LQR이 신속하고 결정론적인 안정화를 위해 여전히 우위를 점하고 있다고 주장한다.

본 연구는 TIP 제어의 이론적 토대로서 기초적인 참조 문헌 역할을 한다. 저자들은 최근의 학습 증강 제어(2021–2026) 문헌과 결과를 맥락화하면서도, 고전적 최적 제어의 견고함과 해석 가능성에 초점을 맞춘다. 저자들은 선형 LQR이 작은 섭동에는 효과적이지만, 향후 연구에서는 더 큰 각도에 대한 비선형 전략(예: NMPC), 물리적 테스트베드에서의 실험적 검증, 그리고 안전한 강화 학습 및 물리 정보 신경 ODE 제어기와의 비교를 다룰 것이라고 결론짓는다.