Real-Time RLS-Based Adaptive PID Control for UAVs: Implementation and Stability Analysis in Microsoft Flight Simulator

무인 항공기를 조종하는 것은 경로를 유지하는 것과 끊임없이 변화하는 세상에 대응하는 것 사이의 균형을 잡는 일입니다. 공기 그 자체는 변화무쌍한 풍경과 같습니다. 돌풍, 연료 무게의 변화, 그리고 임무 수행에 따른 단순한 마모 등은 비행기가 조종 장치에 반응하는 방식을 변화시킬 수 있습니다. 수십 년 동안 엔지니어들은 드론을 안정적으로 유지하기 위해 표준화된 규칙 세트를 사용하는 오토파일럿(자동 조종 장치)에 의존해 왔습니다. 비례-적분-미분(PID) 제어기로 알려진 이 규칙들은 마치 비행기의 편류를 수정하기 위해 스틱을 얼마나 밀어야 할지 정확히 아는 숙련된 조종사와 같습니다. 그러나 이러한 표준 조종사들은 사고가 고정되어 있습니다. 그들은 공기의 순간적인 변화로부터 배우지 못합니다. 만약 비행기가 더 무거워지거나 바람이 더 강해진다면, 고정된 조료사는 과잉 반응하거나 과소 반응하여 비행을 불안정하게 만들거나 에너지를 낭비할 수 있습니다. 이를 해결하기 위해 연구자들은 비행하는 동안 스스로 규칙을 배우고 조정할 수 있는 오토파일럿, 즉 적응 제어(adaptive control)라는 개념을 구축하기 위해 오랫동안 노력해 왔습니다. 이 분야를 이끄는 질문은 기계가 실시간으로 비행의 물리학을 진정으로 학습하고, 그 지식을 사용하여 인간이 설계한 고정된 시스템보다 더 잘 비행할 수 있는가 하는 것입니다.

최근 연구에서 모하메드 자우셰(Mohammed Zaouche)라는 연구자는 적응형 오토파일럿이 표준 고정형 모델보다 성능이 뛰어날 수 있는지 확인하기 위해 이 질문을 고충실도 가상 세계로 가져갔습니다. 그는 실제 비행의 물리학을 놀라울 정도로 정확하게 모방하는 정교한 컴퓨터 프로그램인 마이크로소프트 플라이트 시뮬레이터(Microsoft Flight Simulator) 내에서 연구를 진행했습니다. 그는 비용이 많이 들고 불안정한 소프트웨어로 테스트하기 위험한 물리적인 드론을 만드는 대신, 대형 장기 체공 군용 드론인 프레데터 MQ-1의 디지털 트윈을 생성했습니다. 그는 이 가상 항공기를 자신의 맞춤형 제어 소프트웨어가 실행되는 컴퓨터에 연결하여, 시뮬레이터가 센서 데이터를 컴퓨터로 보내고 컴퓨터가 다시 조향 명령을 보내는 루프를 만들었습니다. 소프트웨어 인 더 루프(software-in-the-loop)라고 불리는 이 설정 덕분에 그는 실제 추락의 위험 없이 현실적인 환경에서 자신의 아이디를 테스트할 수 있었습니다.

자우셰 실험의 핵심은 컴퓨터에게 비행하는 법을 가르치는 새로운 방법이었습니다. 그는 소프트웨어에 재귀적 최소 제곱법(Recursive Least Squares)이라는 도구를 제공했는데, 이는 마치 초고속 계산기처럼 작동합니다. 가상 비행기가 비행하는 동안, 이 도구는 엘리베이터 제어(비행기의 상하 움직임을 만드는 꼬리 부분)와 실제 고도 사이의 관계를 끊임없이 관찰했습니다. 이 데이터를 사용하여 비행기의 동작에 대한 간단한 수학적 모델을 실시간으로 구축했습니다. 이 지속적으로 업데이트되는 모델을 바탕으로, 소프트웨어는 비행을 부드럽게 유지하기 위해 PID 제어기의 세 가지 주요 노브인 비례, 적분, 미분 이득(gains)을 조정했습니다. 끊임없이 최적의 설정을 재계산함으로써, 적응형 시스템이 동일한 설정을 조건에 관계없이 사용하는 고정형 시스템보다 난기류와 변화를 더 잘 처리할 수 있기를 기대한 것입니다.

그러나 연구 결과는 놀랍고도 다소 냉혹한 진실을 드러냈습니다. 시스템이 비행기를 유지하는 데는 충분히 작동했지만, 많은 이들이 기대했던 것처럼 탁월한 성능을 입증하지는 못했습니다. 실제로 연구자가 시뮬레이터의 실제 비행 데이터를 사용하여 적응형 시스템을 표준 고정 이득 오토파일럿과 비교했을 때, 적응형 시스템이 훨씬 더 많은 제어 노력을 사용했습니다. 가상 엘리베이터는 적응형 제어 하에서 훨씬 더 빈번하고 강렬하게 움직였으며, 이는 시스템이 더 똑똑하게가 아니라 더 힘들게 작동하고 있었음을 시사합니다. 연구 결과, 적응형 제어기의 성능은 고정형보다 통계적으로 우수하지 않았으며, 에너지 사용의 일부 척도에서는 오히려 더 나빴습니다.

하지만 이 논문의 가장 중요한 발견은 어떤 제어기가 더 나은가에 대한 것이 아니라, 적응형 시스템의 설계 자체에 숨겨진 결함에 관한 것이었습니다. 연구자는 제어 시스템의 '극점(poles)'—비행의 안정성을 결정하는 수학적 지점—을 비행기가 흔들리지 않도록 안전 구역에 배치하려고 시도하는 과정에서 구조적 한계를 발견했습니다. 하지만 시스템이 구축된 방식은 네 가지를 제어해야 하는 상황에 세 개의 조절 가능한 노브만을 가지고 있었습니다. 이는 마치 네 줄짜리 악기를 세 개의 조율 피치로 튜닝하려는 것과 같았습니다. 이러한 불일치 때문에 하나의 안정성 지점이 제어되지 않은 채 남겨졌습니다.

연구자가 "잔류 극점(residual pole)"이라고 부르는 이 제어되지 않은 지점은 비행 중 약 7.8%의 순간 동안 불안정한 상태가 되었습니다. 소프트웨어에 제어 노브가 너무 멀리 돌아가지 않도록 하는 안전 제한 장치가 있었음에도 불구하고, 이 제한 장치들은 근본적인 불안정성을 신뢰성 있게 해결할 수 없었습니다. 문제는 컴퓨터가 학습에 사용하는 데이터가 종종 해석하기 매우 어려운 상태, 즉 '불량 조건(ill-conditioning)' 상태였다는 점이며, 이로 인해 비행기의 동작에 대한 컴퓨터의 추측이 흔들리게 되었습니다. 이 불안정성은 일회성 오류가 아니었습니다. 연구자가 완전히 다른 시뮬레이터와 다른 유형의 드론 모델에 동일한 로직을 테스트했을 때도 여러 차례의 테스트 비행에서 일관되게 나타났습니다.

이 연구는 적응형 오토파일럿의 개념은 강력하지만, 여기서 사용된 특정 방법에는 근본적인 설계 결함이 있다고 결론짓습니다. 노이즈가 있는 데이터에 어려움을 겪는 학습 알고리즘과 비행의 모든 변수를 완전히 관리할 수 없는 제어기의 조합은 실제적인 불안정성의 위험을 초래합니다. 이 연구는 적응형 제어가 불가능하다고 주장하는 것이 아니라, 복잡한 4부 구성의 문제를 단순한 3개 노브 조정에 의존하는 이 특정 접근 방식이 실제 사용에는 충분히 견고하지 않다는 것을 보여줍니다. 이 작업은 엄격한 진단 역할을 하며, 단순히 제어기에 학습 기능을 추가하는 것만으로는 충분하지 않으며, 근본적인 수학 모델이 제어하려는 시스템의 전체 복잡성을 처리할 수 있어야 함을 증명합니다. 드론 기술의 미래를 위해, 엔지니어들은 단순한 조정을 넘어 비행 역학의 모든 자유도를 고려할 수 있는 시스템을 설계하여, 어떤 안정성 지점도 우연에 맡겨지지 않도록 해야 합니다.