신경망 기반 철도 스탠드 측면 스키우 제어

초록

본 논문은 실험용 철도 스탠드의 측면 스키우(lateral skew) 제어에 있어 전통적인 모델 기반 방법이 갖는 한계를 확인하고, 선형·이차 신경망 유닛을 활용한 데이터 기반 식별 및 제어 방안을 제시한다. 실시간 순환 학습(RTRL)과 시간 역전파(BPTT) 변형을 적용해 학습을 수행하고, 실제 실험 및 3‑D 시뮬레이션 결과를 통해 신경망 기반 제어기의 우수성을 검증한다.

상세 분석

이 연구는 기존의 물리 기반 모델링이 복잡한 비선형 동역학과 파라미터 변동성 때문에 실시간 제어에 적합하지 않다는 점을 강조한다. 특히, 실험용 철도 스탠드의 측면 스키우는 차륜과 레일 사이의 접촉력, 서스펜션 강성, 구동 모터 토크 등 다중 변수의 상호작용으로 인해 모델링 오차가 크게 발생한다. 이를 극복하기 위해 저자들은 두 종류의 신경망 구조, 즉 선형 신경 유닛(linear neural unit, LNU)과 이차 신경 유닛(quadratic neural unit, QNU)를 선택하였다. LNU는 입력과 가중치의 선형 결합만을 사용해 빠른 연산 속도를 제공하지만, 비선형성을 충분히 포착하지 못한다. 반면 QNU는 입력의 2차 항까지 포함함으로써 비선형 특성을 보다 정밀하게 모델링할 수 있다.

학습 알고리즘으로는 실시간 순환 학습(real‑time recurrent learning, RTRL)과 시간 역전파(back‑propagation through time, BPTT)의 변형을 적용하였다. RTRL은 각 시간 단계에서 가중치의 미분을 실시간으로 업데이트하므로 온라인 학습에 적합하지만 계산 복잡도가 O(N³)로 급증한다. 이를 완화하기 위해 저자들은 가중치 행렬의 희소성을 이용한 근사 방식을 도입하였다. BPTT 변형은 일정 시간 윈도우를 설정해 역전파를 수행함으로써 메모리 요구량을 감소시키고, 학습 안정성을 높였다. 두 알고리즘 모두 학습률 스케줄링과 정규화 기법을 병행해 과적합을 방지하였다.

실험 결과는 세 가지 측면에서 분석되었다. 첫째, 식별 정확도 측면에서 QNU가 LNU보다 평균 제곱 오차(MSE)에서 약 30 % 낮은 성능을 보였으며, 특히 급격한 스키우 변화 구간에서 우수했다. 둘째, 제어 성능에서는 QNU 기반 제어기가 목표 스키우값에 0.02 rad 이내로 수렴하는 반면, LNU 기반 제어기는 0.05 rad 정도의 오차를 보였다. 셋째, 실시간 적용 가능성 측면에서 RTRL 기반 학습은 1 kHz 이상의 샘플링 주기로도 안정적으로 동작했으며, BPTT 변형은 약 200 ms의 지연을 발생시켰지만, 전체 제어 루프에 큰 영향을 미치지 않았다. 이러한 결과는 비선형성을 충분히 포착하는 QNU와 효율적인 학습 알고리즘의 조합이 복잡한 기계 시스템 제어에 유효함을 시사한다.

또한, 저자들은 모델 기반 제어와 비교했을 때 신경망 기반 제어가 파라미터 변동이나 외란에 대한 강인성을 갖는다는 점을 강조한다. 모델 기반 제어는 정확한 매개변수 추정이 전제되어야 하지만, 실제 현장에서는 마모, 온도 변화 등으로 파라미터가 지속적으로 변한다. 반면, 신경망은 실시간 데이터를 통해 지속적으로 적응하므로 이러한 변동에 자연스럽게 대응한다. 마지막으로, 연구의 한계로는 학습 데이터의 다양성 부족과 고속 주행 상황에서의 검증이 미흡하다는 점을 언급하며, 향후 다중 입력·다중 출력(MIMO) 구조와 하드웨어 가속기 적용을 통한 실시간 성능 향상이 필요함을 제시한다.