미분기와 확장 관측기를 이용한 범용 근사 및 피드백 제어

초록

본 논문은 상태가 완전히 알려지지 않은 비선형 시스템의 불확실성을 보편적으로 근사하고, 동시에 미지의 상태를 추정할 수 있는 두 가지 방법—적분‑체인 미분기와 확장 관측기—를 제안한다. 기존의 퍼지 시스템·RBF 신경망 방식과 비교해 제안 기법은 근사 정확도와 잡음 억제 측면에서 우수함을 이론적 증명과 시뮬레이션을 통해 입증한다.

상세 분석

이 연구는 비선형 시스템 제어에서 가장 난제 중 하나인 ‘불확실성(uncertainty)’과 ‘미지 상태(unknown states)’의 동시 추정 문제를 다룬다. 기존 접근법인 퍼지 시스템과 방사형 기저 함수(RBF) 신경망은 전역적인 근사 능력을 갖지만, 학습 데이터의 품질에 크게 의존하고, 고차원 시스템에서는 파라미터 튜닝이 복잡해지는 단점이 있다. 저자는 이러한 한계를 극복하기 위해 두 가지 새로운 구조—적분‑체인 미분기(integral‑chain differentiator)와 확장 관측기(extended observer)—를 도입한다.

먼저 적분‑체인 미분기는 고차 미분 연산을 연속적인 적분 연쇄 구조로 구현함으로써, 입력 신호의 고주파 잡음에 대한 저감 효과를 자연스럽게 제공한다. 수학적으로는 ( \dot{x}=f(x)+d(t) ) 형태의 시스템에서, (d(t)) 를 미분기로부터 얻은 고차 추정값 (\hat{d}^{(n)}) 로 대체하고, Lyapunov 기반의 수렴 분석을 통해 (\hat{d}^{(n)}\rightarrow d^{(n)}) 를 보장한다. 여기서 핵심은 미분기 내부에 삽입된 저역통과 필터가 고주파 성분을 억제하면서도, 적절히 설계된 이득 행렬이 전역적인 수렴성을 확보한다는 점이다.

두 번째로 제안된 확장 관측기는 시스템 상태와 불확실성을 하나의 확대된 상태 벡터에 포함시켜, 전통적인 관측기 설계 기법(예: Luenberger, Kalman)과 유사하게 설계한다. 관측기 동역학은 ( \dot{\hat{x}} = f(\hat{x}) + G(\hat{x})(y - C\hat{x}) ) 형태를 취하며, 여기서 (G(\hat{x}))는 비선형 시스템에 맞게 적응적으로 조정되는 이득 행렬이다. 저자는 관측기 오차 (e = x - \hat{x}) 에 대한 Lyapunov 함수를 구성하고, 충분히 큰 관측기 이득을 선택하면 (\dot{V} \le -\lambda_{\min}(Q) |e|^2) 를 만족해 전역적인 지수 수렴을 증명한다.

핵심 이론적 기여는 두 구조 모두 ‘보편 근사 정리(universal approximation theorem)’를 만족한다는 점이다. 즉, 적절히 선택된 미분기 차수 혹은 관측기 차원만 충분히 크면, 어떤 연속적인 불확실성 함수도 임의의 작은 오차 (\epsilon) 이내로 근사할 수 있다. 이는 기존 퍼지·RBF 방식이 요구하는 ‘가중치·규칙 수’를 직접적으로 늘리지 않고도 근사 능력을 확보한다는 의미다.

또한, 잡음 억제 측면에서 적분‑체인 미분기는 전통적인 고차 미분기에서 발생하는 ‘노이즈 증폭’ 문제를 구조적으로 해결한다. 시뮬레이션에서는 백색 가우시안 잡음이 0.05 rad/s까지 추가된 경우에도 상태 추정 오차가 5% 이하로 유지되는 것을 확인하였다.

마지막으로, 제어 설계에 있어서 저자는 근사된 불확실성을 이용한 피드백 선형화(feedback linearization) 혹은 슬라이딩 모드 제어와 같은 고전적 비선형 제어법과 결합한다. 근사 오차가 유계임을 전제로, 전체 폐루프 시스템의 안정성을 Lyapunov 기반으로 증명하고, 수렴 속도와 과도 응답을 정량적으로 분석한다. 전체적인 기여는 ‘근사와 추정, 제어를 하나의 통합 프레임워크 안에서 동시에 해결한다’는 점이며, 이는 실시간 제어 시스템에서 계산 복잡도와 신뢰성을 동시에 만족시키는 중요한 진전이다.