Model-Reference Compensator Synthesis for Uncertain Linear Systems Using Data-Driven Identified Plant Model

기계가 정밀하게 움직이는 법을 배워야 하지만, 그 움직임을 지배하는 정확한 규칙이 숨겨져 있거나 너무 복잡하여 완벽하게 기술할 수 없는 세상을 상상해 보십시오. 이것은 자율주행 자동차, 자율 로봇, 그리고 첨단 항공기를 설계하는 엔지니어들이 마주하는 일상적인 현실입니다. 그들은 기계를 경로대로 유지시키는 제어기를 만들기 위해, 대개 그 기계가 어떻게 작동하는지에 대한 완벽한 수학적 지도가 필요하다는 근본적인 딜레마에 직면합니다. 하지만 현실 세계에서는 그러한 완벽한 지도를 만들기 위해 충분한 데이터를 수집하는 것이 불가능하거나, 비용이 너무 많이 들거나, 혹은 단순히 너무 위험할 때가 많습니다. 예를 들어, 자동차 제조사가 새로운 차량 모델에 대해 가능한 모든 도로 조건을 테스트하여 완벽한 시뮬레이션을 구축하려 한다면, 그 과정은 수년이 걸리고 막대한 비용이 발생할 것입니다. 결과적으로, 엔지니어들은 실제 기계의 동작을 추측하기 위해 '프록시(proxy)' 시스템—실제 기계와 유사하거나 약간 다른 단순화된 버전—에 의존하곤 합니다. 문제는 이러한 추측이 결코 완벽하지 않으며, 결함이 있는 지도 위에 제어기가 구축될 경우 차량이 경로를 벗어나거나 도로 위의 예상치 못한 충격에 위험하게 반응할 수 있다는 점입니다.

따라서 과제는 엔지니어가 해당 기계에 대한 완벽한 모델을 보유하지 못하고, 기계가 바람의 돌풍이나 기계적 결함과 같은 미지의 힘에 노출될 때도 기계를 정확하게 안내할 수 있는 제어 시스템을 만드는 것입니다. 이것이 바로 쿠웨이트 대학교, 퍼듀 대학교, 샌디에이고 주립 대학교, 그리고 SiCARRIER의 연구진이 다룬 구체적인 퍼즐입니다. 그들은 엔드지니어가 정보의 대부분을 프록시 시스템에 크게 의존하면서도 제한된 실제 데이터를 통해 학습할 수 있는 새로운 방법을 개발했습니다. 그들의 접근 방식은 기계의 내부 물리 법칙에 대한 완벽한 이해를 요구하지 않습니다. 대신, 데이터 기반 식별(data-driven identification)과 특수 관측기(observer)의 영리한 조합을 사용합니다. 여기서 관측기는 탐정처럼 작동하여, 기계의 숨겨진 상태와 기계에 작용하는 보이지 않는 힘을 끊임없이 추측하며 차량을 의도한 경로로 유지시킵니다.

연구진은 선형 시스템(공학적으로 기계의 거동이 직선 관계로 설명될 수 있는 시스템)을 특정 기동을 통해 안내하는 구체적인 문제에 집중했습니다. 이 아이디어를 테스트하기 위해 그들은 매우 중요하면서도 친숙한 시나리오인 자동차의 차선 변경을 선택했습니다. 연구에서 그들은 17.3 m/s의 속도로 주행하는 차량을 시뮬레이션했습니다. 목표는 엔지니어가 자동차의 역학에 대한 정확한 수학적 방정식을 가지고 있지 않더라도, 이 차량이 정밀한 궤적을 따라 한 차선에서 다른 차선으로 부드럽게 이동하도록 만드는 것이었습니다. 실제 자동차 대신, 그들은 실제 자동차의 파라미터를 가져와 무작위 오차를 더해 만든 디지털 트윈인 '프록시' 시스템을 사용했습니다. 이 프록시는 완벽한 복사본이 아니었습니다. 그것은 실제 자동차의 파라미터를 약간 왜곡시킨 버전이었으며, 이는 엔지니어들이 현실 세계에서 흔히 다루어야 하는 불완전한 모델을 나타냅니다.

불완전한 프록시와 실제 자동차 사이의 간극을 메우기 위해, 연구팀은 데이터 기반 식별 과정을 채택했습니다. 그들은 프록시 시스템에 대해서는 수천 번의 테스트를 수행했고, 실제 시스템에 대해서는 더 적은 수의 테스트를 수행했습니다. 결과를 비교함으로써, 그들은 프록시 단독 모델보다 실제에 훨씬 더 가까운 '설계 모델(design model)'을 구축할 수 있었습니다. 이 모델은 제어기의 토대가 되었습니다. 그러나 모델을 아는 것만으로는 충분하지 않았습니다. 왜냐하면 실제 자동차는 갑작스러운 돌풍이나 작동기 고장과 같은 미지의 방해 요소의 영향을 받을 수 있기 때문입니다. 이를 처리하기 위해 연구진은 '모델 참조 보상기(model-reference compensator)'를 설계했습니다. 이 장치는 두 부분으로 작동합니다. 첫째, 미지 입력 관측기(unknown input observer)를 사용하여 일부 센서가 누락되거나 데이터에 노이즈가 있는 상황에서도 자동차의 현재 상태(속도, 각도, 위치)를 추정합니다. 둘째, 이 추정치를 사용하여 정확한 조향 및 가속을 계산함으로써 미지의 방해 요소의 효과를 상쇄하고 자동차를 원하는 경로로 유지합니다.

그들 혁신의 핵심은 이 제어기를 합성하는 방식에 있습니다. 그들은 시행착착오나 모호한 근사치에 의頼하지 않았습니다. 대신, 선형 행렬 부등식(linear matrix inequalities)에 기반한 엄격한 수학적 프레임워크를 사용했는데, 이는 엔지니어가 최적의 제어기 설정을 찾기 위해 복잡한 최적화 문제를 해결할 수 있게 해주는 방법입니다. 그들은 자신들의 시스템이 안정성을 유지할 것임을 수학적으로 증명했습니다. 즉, 미지의 힘이 작용하더라도 자동차가 있어야 할 곳과 실제 위치 사이의 오차가 예측 가능하고 안전한 범위 내에 머물 것임을 의미합니다. 그들은 모델의 불완전함과 미지 입력의 존재에도 불구하고 시스템이 제어력을 유지할 수 있음을 입증했습니다. 시뮬레이션에서 자동차는 원하는 경로를 높은 정밀도로 추적하며 차선 변경 기동을 성공적으로 수행했습니다.

시뮬레이션 결과는 놀라웠습니다. 자동차가 경로를 벗어나게 만드는 갑작스럽고 알려지지 않은 외부 힘(방해 요소)을 받았을 때, 제어기는 즉각적으로 조정되었습니다. 제어기는 이 미지의 힘의 크기를 추정하고 이를 보상하여 자동차가 의도한 선을 유지하도록 했습니다. 연구진은 차선 추적 오차와 자동차의 내부 상태 추정 오차가 모두 유계(bounded)되어 있으며 작게 유지된다는 것을 보여주었습니다. 한 테스트에서는 미지 입력이 주행 중 특정 값으로 설정되었다가 변경되었음에도 불구하고, 제어기는 매끄럽게 적응했습니다. 지도로 그려진 차량의 경로는 시작 차선에서 목표 차선으로 부드럽고 의도적인 이동을 보여주었으며, 위험한 급조향이나 제어 상실은 없었습니다. 시스템은 심지어 미지 입력을 재구성하여, 자동차를 밀어내는 보이지 않는 힘을 실시간으로 '보고' 이를 계산에 반영했습니다.

이 연구가 특히 중요한 이유는 실용성에 있습니다. 연구진은 자동차에 대한 완벽한 모델을 요구하지 않았으며, 차량 내부의 모든 변수를 측정할 필요도 없었습니다. 그들은 프록시 시스템과 소수의 실제 측정을 결합함으로써, 불확실성 속에서도 작동하는 견고한 제어기를 구축하는 것이 가능하다는 것을 보여주었습니다. 이 접근 방식은 데이터가 부족하거나 시스템 역학을 완벽하게 모델링하기 너무 복잡한 환경에 첨단 제어 시스템을 배치해야 하는 엔지니어들에게 새로운 길을 제시합니다. 입력 및 출력 데이터만을 사용하여 제어기를 합성할 수 있음을 증명하고, 실제 차량 시뮬레이션에서의 성공을 입증함으로써, 연구팀은 자율 시스템을 더 신뢰할 수 있고 더 안전하게 만드는 청사진을 제공했습니다. 이 연구는 기계에 대한 지식이 불완전하더라도, 알려진 것과 알려지지 않은 것 사이의 간극을 메울 수 있는 적절한 수학적 도구가 있다면 정밀하게 안내하는 것이 가능하다는 것을 확인시켜 줍니다.