Event-Triggered Decentralized Robust Model Predictive Control with Stackelberg Game-Based Adaptive Tuning for Optimal Tracking

현대 공학의 방대하고 상호 연결된 세계에서, 전력망부터 화학 공장에 이르기까지 시스템은 결코 단순하거나 고립된 기계가 아닙니다. 그것들은 한 부분이 다른 부분에 끊임없이 영향을 미치고, 환경이 예측 불가능하며 불확실성과 숨겨진 변동성에 따라 변화하는 복잡한 네트워크입니다. 수십 년 동안 엔지니어들은 이러한 시스템을 관리하기 위해 모델 예측 제어(model predictive control)라고 불리는 강력한 전략에 의존해 왔습니다. 이 접근 방식은 마치 숙련된 항해사가 미래를 내다보며, 물리적 한계를 준수하고 잠재적인 장애물에 대비하면서 최선의 경로를 계산하는 것과 같습니다. 그러나 시스템이 더 크고 정교해짐에 따라, 전체 네트워크를 조종하려는 단일 중앙 컴퓨터는 과부하 상태에 빠지게 됩니다. 이는 데이터의 엄청난 양과 의사결정에 필요한 속도를 감당하지 못해 병목 현상을 일으키며, 전체 운영의 안정성을 위협할 수 있습니다. 이를 해결하기 위해 엔지니어들은 여러 개의 작은 로컬 컨트롤러가 협력하여 각자의 구역을 관리하는 분산 제어(decentralized control)로 눈을 돌렸습니다. 이렇게 업무를 분산시켰지만, 새로운 과제가 생겼습니다. 특히 실시간으로 알 수 없는 변화에 대응해야 할 때, 로컬 컨트롤러들이 끊임 없이 소모적인 통신을 하지 않고도 어떻게 효과적으로 협력하게 할 것인가 하는 문제입니다.

페르도우시 마슈하드 대학교(Ferdowsi University of Mashhad)의 연구원인 모센 에르파니 하지푸르(Mohsen Erfani Hajipour)와 헤이다르 투시안 샨디즈(Heydar Toossian Shandiz)는 바로 이러한 어려움을 해결하기 위한 새로운 프레임워크를 개발했습니다. 그들은 로컬 컨트롤러가 불확실성과 시스템의 서로 다른 부분들이 상호 작용하는 복잡한 방식에 대해 견고함을 유지하면서도, 스마트하고 독립적인 결정을 내릴 수 있는 시스템을 만들었습니다. 그들의 접근 방식은 세 가지 뚜렷한 혁신을 결합하여 안정적이면서도 효율적인 제어 방법을 만들어냈습니다. 첫째, 각 로컬 컨트롤러가 지속적인 데이터 스트림을 교환할 필요 없이 이웃의 영향을 고려할 수 있도록 설계하여, 기계의 정확한 동작을 완벽히 알지 못하더라도 시스템의 안전을 보장했습니다. 둘째, 컨트롤러가 계획을 계속 재계산하느라 에너지를 낭비하는 것을 방지하는 메커니즘을 도입했습니다. 매 순간 업데이트하는 대신, 현재의 계획이 여전히 시스템을 안전 구역 내에 유지하고 있는지 확인하며 정말 필요할 때까지 기다립니다. 마지막으로, 가장 독창적이게도, 그들은 시스템이 정밀한 추적의 필요성과 에너지 및 컴퓨팅 파워 절약의 필요성 사이에서 균형을 맞추며 실시간으로 자신의 설정을 스스로 조정할 수 있는 방법을 개발했습니다.

그들 작업의 핵심은 로컬 컨트롤러가 "입력 결합(input coupling)"—즉, 시스템의 한 부분의 동작이 다른 부분에 물리적으로 밀거나 당기는 방식—을 어떻게 처리하느냐에 있습니다. 이전의 많은 시도에서는 이러한 상호 작용을 무시하여 성능 저하를 초래하거나, 지속적인 통신에 의존하여 분산화의 목적을 퇴색시켰습니다. 연구진은 시스템이 불확실할 때도 안정성을 보장하는 수학적 안전 점검을 사용하여 이 문제를 해결했습니다. 그들은 시스템의 상태가 넘어서서는 안 될 가상의 경계인 특정 안전 영역을 정의했습니다. 시스템이 이 경계 내에 머무는 한, 로컬 컨트롤러는 안전하다고 판단하여 아무것도 할 필요가 없습니다. 여기서 두 번째 혁신인 이벤트 트리거링(event-triggering) 메커니즘이 등장합니다. 마치 보안 요원이 매초마다 상관없이 체크하는 것이 아니라, 센서가 누군가의 접근을 알릴 때만 문을 확인하는 것과 같습니다. 마찬가지로, 이 시스템은 시스템의 상태가 안전 구역의 가장자리에 근접할 때만 고성도 계산 엔진을 깨웁니다. 시스템이 잘 작동하고 있다면 컨트롤러는 조용히 유지되어 상당한 컴퓨팅 자원을 절약합니다.

그러나 단순히 언제 깨어날지를 아는 것만으로는 충분하지 않습니다. 컨트롤러는 얼마나 공격적으로 행동해야 할지도 알아야 합니다. 여기서 게임 이론에 기반한 적응형 튜닝(adaptive tuning) 메커니즘이 빛을 발합니다. 연구진은 시스템이 얼마나 강하게 작동할지와 얼마나 자주 상태를 확인할지를 결정하는 설정들이 자연스럽게 충돌한다는 점을 인식했습니다. 시스템이 너무 강하게 작동하면 에너지를 낭비하고, 너무 자주 확인하면 컴퓨팅 파워를 낭비합니다. 반대로 너무 적게 작동하거나 너무 드물게 확인하면 시스템이 길을 잃을 수 있습니다. 이를 해결하기 위해 저자들은 이 두 설정을 전략적 게임의 플레이어로 취급했습니다. 높은 품질의 추적을 목표로 하는 플레이어는 리더(leader) 역할을 하고, 자원 절약을 목표로 하는 플레이어는 팔로워(follower) 역할을 합니다. 리더가 먼저 움직이면, 팔로워는 그 움직임을 바탕으로 가능한 최선의 방식으로 대응합니다. 이러한 상호 작용은 시스템이 불필요한 노력을 낭비하지 않으면서도 최적의 추적 성능을 달anim하는 완벽한 균형, 즉 평형 상태를 찾아냅니다. 이 균형은 조건이 변함에 따라 동적으로 이동하며, 시스템이 항상 현재 상황에 맞게 튜닝되도록 보장합니다.

아이디어를 테스트하기 위해 연구진은 8개의 탱크로 구성된 도전적인 수조 시스템 시뮬레이션에 이 프레임워크를 적용했습니다. 이 설정은 4개의 펌프와 8개의 상호 연결된 탱크를 포함하며, 한 탱크의 수위가 다른 탱크를 제어하는 펌프에 의해 직접적인 영향을 받는 복잡한 네트워크를 형성합니다. 그들은 원하는 수위의 급격한 변화, 예상치 못한 물의 유입과 같은 미측정 외란, 그리고 시스템의 물리적 파라미터에 대한 상당한 불확실성을 포함한 다양한 시나리오를 시뮬레이션했습니다. 결과는 놀라웠습니다. 새로운 방법은 분산 시스템이 흔히 어려움을 겪는 부분인, 모든 정보에 접근할 수 있는 중앙 집중식 시스템과 거의 동일한 정확도로 원하는 수위를 추적했습니다. 동시에, 컨트롤러가 계획을 재계산해야 하는 횟수를 획기적으로 줄였습니다. 한 테스트에서, 전통적인 시스템이 지속적으로 업데이트해야 했던 기간 동안 이 시스템은 약 20회에서 111회 정도만 계산을 업데이트했음에도 불구하고 안정성과 성능을 유지했습니다.

또한 이 연구는 시스템이 자신의 설정을 튜닝하는 "게임"을 효과적으로 수행할 수 있음을 입증했습니다. 큰 외란이 발생했을 때, 시스템은 오류를 빠르게 수정하기 위해 더 많은 전력을 사용하는 것에 대한 저항을 자동으로 낮추는 동시에, 안전을 보장하기 위해 확인 빈도를 높였습니다. 시스템이 다시 정상 상태로 돌아오면, 자연스럽게 더 보수적인 모드로 전환되어 에너지를 절약하고 컴퓨팅 부하를 줄였습니다. 이러한 자기 조절 능력 덕분에 시스템은 단순히 외란에서 살아남는 것에 그치지 않고, 수위를 안전 범위 내에 유지하고 펌프가 제한 범위 내에서 작동하도록 하며 번창했습니다. 연구진은 탱크 간의 상호 작용을 무시하는 것이 상당한 오차를 초래한다는 것을 발견했지만, 그들의 방법은 이러한 효과를 성공적으로 보상했습니다. 더욱이, 시스템은 펌프와 파이프의 물리적 특성이 예상값에서 25%까지 차이가 나는 불확실한 상황에서도 견고함을 증명했습니다.

궁극적으로, 이 연구는 중앙 집중식 뇌의 부담이나 지속적인 통신의 비효율성 없이 복잡하고 대규모인 시스템을 관리하는 새로운 방법을 제시합니다. 견고한 안전 점검, 필요할 때만 활성화되는 스마트 트리거, 그리고 자기 튜닝을 위한 전략적 방법을 결합함으로써, 연구진은 회복 탄력성과 효율성을 모두 갖춘 제어 프레임워크를 만들어냈습니다. 시뮬레이션 결과는 이 접근 방식이 고성능과 자원 보존 사이의 섬세한 균형을 맞출 수 있음을 보여주며, 이 균형은 미래의 대규모 산업 및 인프라 시스템에 필수적입니다. 이 연구 결과는 로컬 컨트롤러에게 이웃을 이해하고, 언제 행동해야 할지 알며, 주변의 변화하는 환경에 맞춰 자신의 행동을 조정할 수 있는 적절한 도구가 주어진다면, 분산 시스템도 중앙 집중식 시스템만큼 신뢰할 수 있다는 것을 시사합니다.