Stick-Slip-Induced Time Delays in Reconfigurable Systems: Data-Driven Estimation and Sliding Mode Control

기술 요약: 재구성 가능 시스템에서의 스틱-슬립 유발 시간 지연

문제 정의
재구성 가능한 기계 시스템, 특히 케이블 구동 로봇과 텐세그리티 메커니즘은 스틱-슬립(stick-slip) 마찰로 인해 성능 저하를 겪는다. 이 현상은 탄성 요소(elastic elements)를 통한 동작 전달 과정에서 미지의 가변적인 시간 지연을 유발하며, 이는 궤적 추적 오차, 리미트 사이클(limit cycles), 그리고 잠재적인 기계적 불안정성을 초래한다. 기존의 마찰 모델(예: Coulomb, LuGre)이 존재하지만, 이들은 복잡한 파라미터 식별에 의존하거나 실제 운용 조건에서의 동적이고 가변적인 지연 특성을 포착하는 데 실패하는 경우가 많다. 또한, 표준 제어 전략은 이러한 지연을 유계된 외란(bounded disturbances)으로 취급하며, 이는 채터링(chattering)과 마모를 유발하는 높은 스위칭 이득(switching gains)을 요구한다.

방법론
저자들은 데이터 기반 지연 추정과 강인한 슬라이딩 모드 제어(Sliding Mode Control, SMC) 전략을 통합한 하이브리드 제어 아키텍처를 제안한다. 방법론은 다음과 같은 세 가지 주요 단계로 진행된다:

1. 실험적 특성화 및 데이터 기반 모델링:

   • 다양한 무게, 장력, 강성 및 속도 조건 하에서 동작 개시 지연을 정량화하기 위해 선형 액추에이터, 교체 가능한 스프링(0.077–0.696 N/m), 센서(로드 셀, 인코더, Time-of-Flight)를 사용하여 실험적 테스트베드를 구축하였다.
   • 원시 데이터는 이상치와 노이즈를 제거하기 위한 DBS&C 클러스터링 기반의 2단계 필터링 과정을 거친 후 회귀 분석을 수행하였다.
   • 물리적 파라미터(강성 $K$, 장력 $T_i$, 무게 $w$, 속도 $V$)를 기반으로 지연($\hat{h}$)을 추정하기 위해 여러 예측 모델을 학습시켰다. 여기에는 Normal Equation, Batch/Stochastic/Mini-batch Gradient Descent, 그리고 얕은 인공 신경망(ANN)이 포함되었다. ANN은 가장 낮은 평균 제곱 오차(MSE = 0.214)를 기록하며 탁월한 성능을 보였으며, 명시적인 해석적 마찰 모델 없이도 비선형 의존성을 효과적으로 포착하였다.

2. 제어 아키텍처 통합:

   • 추정된 지연 $\hat{h} = f_\theta(K, T_i, w, V)$는 히스토리 상태 버퍼(historical state buffer)로 전달된다.
   • 이 버퍼를 통해 제어기는 지연된 상태 $x(t-\hat{h})$에 직접 접근할 수 있다.
   • 지연된 상태는 등가 제어 법칙($u_{eq}$)에 주입되어 스틱-슬립 레이턴시의 주요 영향을 능동적으로 상쇄한다.
   • 슈퍼 트위스팅 슬라이딩 모드 제어기(Super-Twisting Sliding Mode Controller, ST-SMC)는 잔여 추정 오차와 외부 외란을 처리하기 위한 강인한 스위칭 항($u_n$)을 제공하며, 이는 1차 SMC에 비해 채터링을 줄이는 것을 목표로 한다.

3. 안정성 분석 및 이득 최적화:

   • 휴리스틱한 튜닝을 피하기 위해, 리아푸노프-크라소프스키 범함수(Lyapunov-Krasovskii functional)와 선형 행렬 부등식(LMI)을 사용하여 슬라이딩 표면 이득($\sigma$)을 체계적으로 최적화한다.
   • 시변 지연(time-varying delays) 하에서 차수 축소 슬라이딩 역학(reduced-order sliding dynamics)의 점근적 안정성을 보장하기 위해 디스크립터 기반 접근법(descriptor-based approach)을 사용하여 안정성 조건의 보수성을 줄인다.
   • 결과적으로 발생하는 쌍선형 행렬 부등식(BMI)을 풀 수 있는 LMI로 변환하여 최적의 $\sigma$를 찾는 알고리즘을 제시한다.

주요 기여

• 하이브리드 지연 보상: 본 논문은 머신러닝 기반의 스틱-슬립 레이턴시 예측치를 단순히 외란으로 취급하는 것이 아니라, 이를 등가 제어 법칙에 직접 삽입하는 새로운 방법을 소개한다.
• LMI 기반 이득 튜닝: 추정된 시간 지연이 존재하는 시스템에 특화된 LMI 기반 안정성 분석을 사용하여 슬라이딩 모드 이득을 최적화하는 공식적인 비-휴리스틱 절차를 제공한다.
• 실험적 검증: 제안된 프레임워크는 케이블 구동 상지 재활 장치와 평면 회전 텐세그리즘 메커니즘이라는 두 가지 서로 다른 시스템을 통해 검증되었다.

결과
외부 외란($v(t) = 2\cos(2t)$)과 시뮬레이션된 시간 지연(재활 장치의 경우 최대 7초, 텐세그리티 시스템의 경우 0.7초) 조건에서 두 시스템에 대한 검증이 수행되었다.

• 추적 정확도: LMI로 최적화된 Super-Twisting SMC는 기존의 수동 튜닝 방식보다 성능이 크게 향상되었다.
  • 재활 시스템의 경우, RMSE가 수동 튜닝 ST-SMC의 0.2286°에서 **0.0083°**로 감소하였으며, 이는 표준 방식 대비 99%의 오차 감소를 나타낸다.
  • 텐세그리티 시스템의 경우, RMSE가 0.0902°에서 **0.0751°**로 개선되어 수동 튜닝 대비 48%의 향상을 보였다.
• 채터링 감소: ANN 예측기를 통해 지연을 능동적으로 보상함으로써, 요구되는 강인한 스위칭 이득이 낮아졌고, 결과적으로 더 매끄러운 제어 신호와 채터링 감소를 달로하였다.
• 모델 성능: 얕은 ANN이 선형 회귀 및 경사 하강법 변형 모델보다 지연 역학을 예측하는 데 우수한 성능을 보여, 스틱-슬립 현상의 비선형 모델링 필요성을 확인하였다.

의의 및 주장
저자들은 본 연구가 데이터 기반의 적응성과 엄격한 제어 이론 사이의 간극을 성공적으로 메웠다고 주장한다. 데이터 기반 지연 예측기와 LMI 최적화 슬라이딩 모드 제어기를 통합함으로써, 복잡한 해석적 마찰 모델에 의존하지 않고도 가변적인 스틱-슬립 지연이 존재하는 환경에서 고정밀 궤적 추적을 달성한다. 본 연구는 지연을 모델링되지 않은 외란이 아닌, (버퍼와 등가 제어를 통해) 보상 가능한 상태로 취급하는 것이 훨씬 낮은 제어 이득과 개선된 안정성 여유를 허용한다는 점을 입증한다.

한계점 및 향후 과제
본 논문은 현재의 접근 방식이 히스토리 상태 버퍼에 의존하므로 지속적인 메모리 할당이 필요하며, 신경망 예측기가 클래식한 회귀 모델보다 더 많은 계산 자원을 요구한다는 점을 인정한다. 따라서 현재 이 방법은 시뮬레이션 및 실험 검증 단계에서 평면 단일 자유도 메커니즘으로 제한되어 있다. 향후 과제로는 신경망 및 버퍼 관리의 최적화를 통해 자원이 제한된 임베디드 시스템에서의 실시간 구현에 집중하는 것이라고 명시하였다.