네트워크 기반 파동신경망 모델 예측 제어

초록

본 논문은 파동신경망(WNN)과 모델 예측 제어(MPC)를 결합하여 통신망을 통한 비선형 시스템의 온라인 식별 및 제어를 수행한다. WNN이 실시간으로 시스템 모델을 학습하고, MPC가 확장된 예측 지평선을 이용해 미래 출력을 예측·최적 입력을 계산한다. Lyapunov 이론으로 안정성을 증명하고, 무인 자율주행차에 적용한 시뮬레이션에서 고정·랜덤 네트워크 지연 상황에서도 우수한 제어 성능을 확인하였다.

상세 분석

본 연구는 네트워크 기반 제어 시스템에서 흔히 발생하는 지연과 패킷 손실 문제를 고려한 비선형 시스템 식별·제어 프레임워크를 제시한다. 핵심 구성요소는 두 가지이다. 첫 번째는 파동신경망(Wavelet Neural Network, WNN)이다. WNN은 전통적인 다층 퍼셉트론에 비해 지역화된 파동함수(모래파동·다중스케일) 기반의 활성화 함수를 사용함으로써 비선형 특성을 효율적으로 근사한다. 특히, 피드포워드 경로와 파동 기반 은닉층을 병합한 구조는 학습 초기의 급격한 파라미터 변동을 억제하고, 온라인 학습 시 실시간으로 파라미터를 업데이트할 수 있는 장점을 제공한다. 논문에서는 최소제곱법과 변형된 레귤러리제이션을 결합한 적응 규칙을 도입해, 입력‑출력 데이터가 네트워크를 통해 전송될 때 발생하는 지연을 보정한다. 이때, 지연 보정은 현재 시점의 입력과 과거 출력 데이터를 활용해 WNN의 상태를 예측·보정하는 형태로 구현된다.

두 번째 핵심은 모델 예측 제어(MPC)이다. MPC는 현재 식별된 WNN 모델을 기반으로 미래 N 단계(예측 지평선) 동안의 시스템 출력을 시뮬레이션한다. 논문에서는 확장된 예측 지평선을 도입해, 네트워크 지연이 길어질수록 더 긴 미래 시점을 고려하도록 설계하였다. 이렇게 하면 제어 입력이 네트워크를 통해 전달되는 동안 발생할 수 있는 지연을 미리 보상할 수 있다. 비용 함수는 전통적인 2‑norm 기반 트래킹 오차와 입력 변화량에 대한 페널티를 포함하며, 제약 조건으로는 입력·출력의 물리적 한계와 네트워크 대역폭 제한을 명시한다. 최적화는 실시간으로 해결 가능하도록 순차 이차계획법(Sequential Quadratic Programming, SQP)을 변형한 알고리즘을 사용한다.

안정성 분석은 Lyapunov 이론을 기반으로 수행된다. 저자들은 WNN의 파라미터 적응 규칙이 Lyapunov 함수의 미분을 음수로 만들도록 설계했으며, 이를 통해 전체 폐루프 시스템이 입력‑출력 제한된 영역 내에서 전역적으로 안정함을 증명한다. 특히, 네트워크 지연이 고정값이든 확률적 분포를 따르든, 지연 상한을 초과하지 않는 한 Lyapunov 조건이 유지된다는 점을 강조한다.

시뮬레이션은 무인 자율주행 차량(UTV)을 모델로 사용한다. 차량의 동역학은 비선형 2‑자유도(전진·조향) 시스템으로, 외란과 센서 노이즈가 포함된다. 실험 시나리오에서는 (1) 지연이 0 ms인 이상적인 경우, (2) 고정 지연 100 ms, (3) 평균 80 ms·표준편차 30 ms인 랜덤 지연을 적용하였다. 결과는 모두 WNN이 실시간으로 정확한 모델을 제공했으며, MPC가 예측 지평선을 늘림에 따라 지연 보상 효과가 크게 향상됨을 보여준다. 특히, 랜덤 지연 상황에서도 트래킹 오차가 5 % 이하로 유지되고, 제어 입력의 급격한 변동이 억제되어 차량의 안정적인 주행이 가능했다.

본 논문의 주요 기여는 다음과 같다. 첫째, 파동신경망을 이용한 온라인 비선형 식별 기법을 네트워크 지연 보정과 결합함으로써 실시간 제어에 적합한 모델을 제공한다. 둘째, 확장된 예측 지평선을 활용한 MPC 설계가 네트워크 지연에 대한 강인성을 확보한다. 셋째, Lyapunov 기반 안정성 증명을 통해 이론적 근거를 제시하고, 실제 무인 차량 시뮬레이션을 통해 실용성을 검증한다. 이러한 접근은 산업용 로봇, 스마트 그리드, 원격 의료 등 네트워크 지연이 필연적인 사이버-물리 시스템 전반에 적용 가능할 것으로 기대된다.