시간변화 불확실성에 대한 적응형 MPC 강인 및 확률적 접근

초록

본 논문은 선형 시스템에 존재하는 시간변화 오프셋 불확실성을 실시간으로 추정하고, 이를 기반으로 강인 제약과 확률적 제약을 동시에 만족하는 적응형 모델 예측 제어(Adaptive MPC) 알고리즘을 제안한다. 집합 멤버십 방법으로 가능한 파라미터 집합(Feasible Parameter Set)을 지속적으로 축소하고, 적절한 종단 조건을 부여해 재귀적 실현 가능성과 입력‑상태 안정성을 보장한다. 수치 예제로 제안 기법의 효율성을 검증한다.

상세 분석

이 논문은 기존 적응형 MPC 연구가 주로 강인 제약만을 다루거나 파라미터 변화를 정적이라고 가정한 점을 보완한다. 저자는 시스템 모델을 x_{t+1}=Ax_t+Bu_t+Eθ_a^t+w_t 형태로 설정하고, 불확실성을 (i) 알려진 경계의 프로세스 노이즈 w_t와 (ii) 시간에 따라 변하지만 알려진 범위와 변화율을 갖는 오프셋 θ_a^t 로 분리한다. 핵심 아이디어는 ‘가능 파라미터 집합(FPS)’을 집합 멤버십(Set Membership) 방법으로 매 시간 단계마다 측정값과 노이즈 경계, 변화율 제약을 이용해 업데이트하는 것이다. 이 과정에서 Θ_t=Ω∩⋂{q=1}^t S{q}^{t} 로 정의된 다면체 형태의 집합은 항상 비공집합이 아니며, 실제 오프셋을 포함한다는 정리 1이 증명된다. 이렇게 축소된 FPS는 이후 MPC 최적화에서 모든 가능한 θ∈Θ_t에 대해 제약을 만족하도록 설계된다. 두 가지 제약 형태가 고려되는데, (1) 상태에 대한 강인 제약 Cx+Du≤b와 입력에 대한 하드 제약, (2) 상태에 대한 확률적(Chance) 제약 P(Gx≤h)≥1−α와 입력 하드 제약이다. 두 경우 모두 미래 예측 단계에서 Θ_{k|t} 라는 예측 FPS를 정의하고, 이는 시간 진행에 따라 Θ_{k|t+1}⊆Θ_{k|t} 임을 정리 3이 보장한다. 제어 정책은 전통적인 선형 피드백 형태 u_k|t = Σ_{j=t}^{k-1} M_{k,j|t}(w_j|t+Eθ_j|t)+v_{k|t} 로 파라미터화하여 최적화 변수 M와 v만을 결정한다. 이는 무한 차원의 피드백 함수를 유한 차원으로 축소함으로써 계산 복잡도를 크게 낮춘다. 강인 MPC 문제는 (9)식에 따라 명시적 비용과 종단 집합 X_R^N, 종단 비용 Q를 포함시켜 재귀적 실현 가능성과 입력‑상태 안정성(ISS)을 증명한다. 확률적 MPC는 동일한 구조를 유지하되, 상태 제약을 확률적 형태로 변환하기 위해 부트스트랩 혹은 구간 확률 경계 기법을 적용한다(논문 본문에 상세히 기술). 종단 조건으로는 선형 시스템의 안정성을 보장하는 표준 터미널 비용과 불변 집합을 사용한다. 전체 알고리즘 흐름은 (i) 현재 상태 측정 → (ii) FPS 업데이트 → (iii) 예측 FPS 생성 → (iv) 최적화 문제 해결 → (v) 첫 번째 입력 적용, 로 구성된다. 수치 시뮬레이션에서는 2차원 시스템에 대해 강인 및 확률적 제약을 각각 적용한 경우를 보여주며, FPS가 시간이 지남에 따라 급격히 축소되어 제어 성능이 향상되고, 제약 위반이 없음을 확인한다. 특히 확률적 MPC에서는 허용 위반 확률 α=0.05를 만족하면서도 평균 비용이 강인 MPC보다 낮은 결과를 얻는다. 전체적으로 이 논문은 시간변화 파라미터를 실시간으로 추정하고, 그 불확실성을 직접 제어 설계에 반영함으로써 강인성과 확률적 제약을 동시에 만족하는 적응형 MPC 프레임워크를 제공한다는 점에서 기존 연구에 비해 큰 진보를 이룬다.