LQG 제어와 센싱의 동시 최적화

본 논문 "LQG 제어와 센싱 공동 설계"는 IoT, 로봇 팀 등 현대 분산 시스템에서 빈번히 발생하는 문제, 즉 제한된 자원(전력, 통신 대역폭) 하에서 어떤 센서를 활성화하여 최상의 제어 성능을 낼 것인가를 체계적으로 해결하는 프레임워크를 제시합니다. **서론 및 문제 정의**에서는 기존 연구가 고정된 센서 설정을 가정하거나, 센서 설계 자체를 연속적으로 최적화하는 반면, 본 연구는 주어진 유한 개의 센서 후보 풀에서 일부를 선택하는 실용적인 문제에 초점을 맞춘 점을 강조합니다. 각 센서는 서로 다른 활성화 비용을 가지며, 두 가지 핵심 문제를 정의합니다: (1) **센싱 제약 LQG 제어**: 센서 비용 총합이 예산(b)을 초과하지 않으면서 LQG 비용을 최소화하는 센서 집합 S와 제어 정책을 찾는 문제. (2) **최소 센싱 LQG 제어**: LQG 비용이 특정 목표값(α) 이하가 되도록 하는 센서 집합 중에서 비용 총합을 최소화하는 문제. **방법론**에서는 먼저 센서 집합이 고정되면 기존 LQG 제어 이론에 따라 최적의 제어기(칼만 게인)와 추정기(리카티 방정식으로 계산)가 분리되어 설계될 수 있음을 보이는 **부분적 분리 원리**를 적용합니다. 이를 통해 공동 설계 문제의 복잡성이 센서 집합 선택 문제로 귀결됨을 보입니다. 그러나 이 센서 선택 문제는 NP-하드이며, 더욱이 모든 문제 인스턴스에 대해 다항식 시간 내 일정 비율의 근사 최적해를 보장하는 것은 불가능함(**상수 인자 근사 불가능성**)을 증명합니다. 이러한 부정적 결과에도 불구하고 논문은 **근사 초모듈러 최적화**라는 조합 최적화 도구를 도입하여 돌파구를 마련합니다. LQG 비용 함수가 완벽한 초모듈러성은 아니지만, '초모듈러성 비율(γ)'로 측정 가능한 정도를 가짐을 보입니다. 이 성질을 활용하여 **알고리즘 1 (탐욕 알고리즘 기반)**과 **알고리즘 2 (최소 비용 탐욕 알고리즘)**을 제안합니다. 알고리즘 1은 예산 제약 하 LQG 비용 최소화를, 알고리즘 2는 성능 제약 하 센서 비용 최소화를 수행합니다. **성능 분석** 섹션에서는 이 알고리즘들의 성능을 엄밀히 분석합니다. 핵심 정리로, 알고리즘 1이 반환하는 해의 LQG 비용은 최적 해의 비용에 대해 (1 - e^{-γ}) 이상의 성능을 보장함을 증명합니다. 이는 γ=1일 때 최적의 근사비인 (1-1/e)로 수렴합니다. 또한, 이 γ 값이 시스템의 제어 이론적 특성(관측 가능성 그램미안, 제어 이득 등)과 직접적으로 연결되어 계산 가능한 하한을 가질 수 있음을 보여, 알고리즘 성능에 대한 실질적인 통찰을 제공합니다. **수치 실험**에서는 두 가지 구체적인 응용, 즉 다중 에이전트의 **형성 제어**와 장애물 환경에서의 **로봇 항법** 문제에 제안된 프레임워크를 적용합니다. 몬테카를로 시뮬레이션을 통해, 제안된 알고리즘이 최적 해(소규모 문제에서 전수 조사로 구함)에 매우 근접하며, 단순 추정 오차 최소화 전략보다 월등히 우수한 LQG 성능을 달성함을 입증합니다. 또한, 전체 센서를 사용할 때의 성능 대비 적은 수의 센서만으로도 비슷한 수준의 제어 성능을 얻을 수 있음을 보여 자원 효율적인 설계가 가능함을 확인합니다. **결론**에서는 본 연구가 제어와 센서 선택의 통합 설계를 위한 이론적 기반과 실용적인 알고리즘을 제공했음을 요약하며, 향후 비선형 시스템, 적응형 센싱, 분산 설정으로의 확장을 제안합니다.