학습 기반 모델 예측 제어의 필터링과 에피컨버전 통계 결과

초록

본 논문은 학습 기반 모델 예측 제어(LBMPC)에서 사용되는 측정 모델 선택 이유와 통계적 수렴성을 증명한다. 첫 번째 부분에서는 ODE로 기술되는 시스템의 상태 추정과 미지 동역학 학습을 동시에 수행하는 방법을 제시하고, 두 번째 부분에서는 LBMPC와 결합할 수 있는 비모수 추정기의 에피컨버전 특성을 분석한다. 결과적으로 제안된 비모수 추정기가 결정론적·확률적 요구조건을 모두 만족함을 보인다.

상세 분석

논문은 두 가지 핵심 문제를 다룬다. 첫째, 실시간 제어에 필요한 정확한 상태 정보를 얻기 위해 측정 모델을 어떻게 설계해야 하는가이다. 저자는 연속시간 ODE 시스템을 이산시간 관측 모델로 변환하면서, 측정 잡음과 모델 불확실성을 동시에 고려한 확률적 상태 추정 프레임워크를 제시한다. 여기서 사용된 칼만 필터 변형은 시스템의 비선형성을 보정하기 위해 선형화 오차를 학습 기반 보정항으로 포함한다는 점이 특징이다. 이러한 접근은 기존의 단순 선형 칼만 필터가 갖는 편향을 최소화하고, 학습 단계에서 얻은 비모수 모델이 실시간으로 업데이트될 수 있게 한다.

둘째, 학습된 모델이 제어 최적화 문제에 삽입될 때 수렴성을 보장할 수 있는가이다. 이를 위해 저자는 에피컨버전(epi‑convergence) 개념을 도입한다. 에피컨버전은 목표 함수의 근사값이 점근적으로 원래 함수의 에피그래프와 일치하도록 하는 수학적 개념으로, 최적화 해의 일관성을 확보한다. 논문은 특히 커널 회귀 기반 비모수 추정기가 샘플 수가 증가함에 따라 에피컨버전 속성을 만족한다는 정리를 증명한다. 핵심 가정은 입력‑출력 데이터가 i.i.d.이며, 커널 함수가 적절히 선택되고 밴드위스가 점차 감소한다는 점이다. 이러한 조건 하에서 추정기의 편향은 0에 수렴하고, 분산은 샘플 크기에 비례해 감소한다. 결과적으로 LBMPC의 제어 입력은 학습된 모델이 점점 정확해짐에 따라 원래 설계된 로버스트 제어 정책과 동일한 성능을 보장한다.

또한 논문은 비모수 추정기의 구현상의 실용성을 강조한다. 추정 과정에서 발생할 수 있는 수치적 불안정성을 방지하기 위해, 저자는 정규화된 가중치와 차원 축소 기법을 결합한 알고리즘을 제안한다. 이 알고리즘은 실시간 제어 루프에 적합하도록 설계되었으며, 메모리 사용량과 계산 복잡도를 명시적으로 제어한다. 전체적으로 이 논문은 LBMPC의 이론적 기반을 강화하고, 실제 적용 시 발생할 수 있는 측정·학습·제어 간의 상호작용 문제를 체계적으로 해결한다.