주기적 센서 스케줄링 최적화

본 연구는 무한 시간 수평선에서 동작하는 이산시간 선형 시스템의 상태 추정을 위한 주기적 센서 스케줄링 문제를 다룬다. 시스템은 \(x_{k+1}=Ax_k+Bw_k\), \(y_k=Cx_k+v_k\) 로 기술되며, 센서는 \(M\) 개가 배치되어 있다. 각 센서는 배터리·통신 제한으로 인해 한 주기 \(K\) 동안 최대 \(\eta_m\) 번만 활성화될 수 있다. 이러한 제약을 만족하면서 추정 오차를 최소화하는 스케줄을 찾는 것이 목표이다. 저자들은 센서 활성화 여부를 추정기 이득 행렬 \(L_k\) 의 컬럼 영/비영 여부와 직접 연결한다. 즉, \(L_{k,m}=0\)이면 시점 \(k\)에 센서 \(m\)이 비활성화된 것이고, 비영이면 해당 센서가 측정을 제공한다. 이 관계를 이용해 스케줄링 문제를 행렬 희소성 문제로 변환한다. 목적 함수는 두 부분으로 구성된다. 첫 번째는 주기 \(K\) 동안의 평균 추정 오차 공분산 트레이스 \(\sum_{k=0}^{K-1}\operatorname{tr}(P_k)\) 를 최소화하는 항이며, \(P_k\) 는 Lyapunov 재귀식 \(P_{k+1}=(A-L_kC)P_k(A-L_kC)^\top+BQB^\top+L_kRL_k^\top\) 로 정의된다. 두 번째는 각 \(L_k\) 의 비영 컬럼 수를 카디널리티 함수 \(g(L_k)=\operatorname{card}\{\|L_{k,m}\|_2\neq0\}\) 로 계산하고, 가중치 \(\gamma\) 를 곱해 정규화한다. \(\gamma\) 는 추정 정확도와 센서 사용량 사이의 트레이드오프를 조절한다. 제약식으로는 (i) 주기성 \(L_{k+K}=L_k\), \(P_{k+K}=P_k\) 를 강제하고, (ii) 각 센서에 대한 측정 빈도 제한 \(\sum_{k=0}^{K-1}\operatorname{card}(\|L_{k,m}\|_2)\le\eta_m\) 를 부과한다. 이 문제는 비선형·비연속적인 카디널리티와 Lyapunov 제약 때문에 전역 최적화를 직접 풀기 어렵다. 따라서 저자들은 ADMM(Alternating Direction Method of Multipliers) 기반의 분할 정복 전략을 채택한다. 먼저 변수 복제 \(\{Z_k\}\) 를 도입해 원문 문제를 \(\min f(L)+\gamma\sum g(Z)\) 형태로 재구성하고, 라그랑주 승수와 페널티 파라미터 \(\rho\) 를 이용해 교대 최적화를 수행한다. ADMM의 두 서브문제는 다음과 같다. 1) **L‑업데이트**: 현재 \(Z_k\) 와 라그랑주 승수를 고정하고, Lyapunov 재귀식을 만족하도록 \(L_k\) 를 업데이트한다. 이는 주기적인 Lyapunov 방정식의 해를 구하는 문제이며, 저자들은 블록‑사이클 행렬 표현을 도입해 Anderson‑Moore 방법으로 효율적으로 해결한다. 2) **Z‑업데이트**: 현재 \(L_k\) 와 라그랑주 승수를 고정하고, 각 \(Z_k\) 에 대해 컬럼 희소성을 촉진하는 근접 연산을 수행한다. 이는 \(\ell_0\) 카디널리티에 대한 근사로, 컬럼 별 \(\ell_2\) 노름에 소프트‑스레시홀딩을 적용해 비영 컬럼을 강제한다. 동시에 측정 빈도 제약을 만족하도록 투영 연산을 추가한다. 두 서브문제 모두 닫힌 형태 해를 갖거나 빠른 수치적 해결법이 존재하므로, 전체 ADMM 알고리즘은 몇십 회의 반복만에 수렴한다. 실험에서는 (a) 2차원 목표 추적 시뮬레이션, (b) 20차원 시스템에 15개의 센서, (c) 100차원 대규모 시스템에 50개의 센서를 적용하였다. 각 경우에 대해 \(\gamma\) 와 \(\eta\) 를 변화시켜 성능 곡선을 그렸다. 결과는 다음과 같다. - 제안 방법은 동일한 \(\eta\) 조건에서 기존 Myopic 스케줄링보다 평균 오차를 10~30% 감소시켰다. - LMI 기반 방법은 계산 복잡도가 급격히 증가했으나, ADMM은 문제 규모가 커져도 선형에 가까운 실행 시간을 유지했다. - 주기 길이 \(K\) 를 점진적으로 늘리면 성능 향상이 일정 수준에서 포화되는 것을 확인했으며, 이는 실제 시스템 설계 시 적절한 \(K\) 선택 가이드를 제공한다. 또한, \(\gamma\) 를 크게 설정하면 센서 사용 횟수가 크게 감소하지만 오차가 약간 증가하는 전형적인 트레이드오프가 관찰되었다. 반대로 \(\gamma\) 를 작게 하면 거의 모든 센서를 활용해 최적에 가까운 오차를 얻지만, 에너지 소비가 급증한다. 이러한 현상은 실제 배터리·통신 제한을 고려한 설계에서 중요한 파라미터 튜닝 지표가 된다. 결론적으로, 이 논문은 (1) 센서 스케줄링을 추정기 설계와 동시에 최적화하는 새로운 수학적 프레임워크, (2) 시간 주기성을 포함한 복합 제약을 효율적으로 다루는 ADMM 기반 알고리즘, (3) 대규모 시스템에서도 실시간 적용 가능한 낮은 계산 복잡도와 우수한 추정 성능을 입증하는 광범위한 실험 결과를 제공한다. 향후 연구로는 비선형 시스템, 비정상 잡음, 그리고 적응형 주기 길이 선택 등에 대한 확장이 제안된다.