신경망 기반 MPC 모방 학습의 오류 보증과 효율적 희소화

초록

본 논문은 모델 예측 제어(MPC)를 신경망으로 모방할 때 발생하는 근사 오차를 리프시츠 상수를 이용해 정량적으로 제한하는 이론을 제시한다. 데이터셋 설계 기준을 도출하고, 최적화 문제의 민감도 정보를 활용한 손실 함수 보강을 통해 학습 효율성을 높인다. 제안 방법을 역진자 시뮬레이션에 적용해 원본 MPC와의 폐루프 동작 차이를 크게 감소시켰다.

상세 분석

이 논문은 두 가지 핵심 기여를 담고 있다. 첫째, 신경망(NN)이 근사하는 MPC 제어법 κ(x)에 대해 리프시츠 연속성을 가정하고, NN 자체의 리프시츠 상수 L_NN과 원본 MPC의 리프시츠 상수 L_MPC를 이용해 전역 근사 오차 ‖κ(x)−κ_NN(x)‖≤ε 를 보장하는 충분조건을 정리한다. 정리 1은 데이터 포인트 간 최대 거리 δ가 (ε−ε_D)/(L_MPC+L_NN) 이하일 때, 훈련 데이터상의 최대 오차 ε_D와 리프시츠 상수만 알면 전체 상태공간에 대한 오차를 제한할 수 있음을 보여준다. 이는 기존 방법이 사후 검증에 의존하던 점을 사전 설계 단계로 옮겨, 데이터 밀도와 네트워크 구조를 체계적으로 선택하도록 만든다.

둘째, 오차 한계를 실질적으로 완화하기 위해 최적제어 문제(OCP)의 파라메트릭 민감도 ∂κ/∂x를 계산하고, 이를 손실 함수에 추가한다. 기존 MSE 손실에 민감도 손실 L_sens와 가중치 정규화(ℓ2) 항을 결합한 복합 손실 L(·)은 학습 과정에서 NN이 단순 출력값뿐 아니라 입력에 대한 기울기까지 맞추도록 유도한다. 민감도 정보는 KKT 조건을 기반으로 암시적 미분을 통해 얻으며, 활성 제약집합을 고려해 정확히 계산한다. 이렇게 하면 ε_D가 감소하고, 동시에 L_NN도 정규화 효과로 낮아져 δ가 커지고 필요한 데이터 수가 크게 줄어든다.

논문은 이론적 결과를 2차원 역진자 시스템에 적용한다. MPC는 무제한 상태 제약과 입력 제약을 포함한 비선형 OCP로 설계되었으며, 350개의 격자점에서 최적 입력과 민감도를 수집한다. 두 개의 동일한 구조(2층, 10뉴런, tanh) NN을 각각 기본 MSE와 제안 손실로 학습시킨 결과, 민감도 보강 NN은 테스트 집합에서 평균 제곱 오차가 약 40% 감소하고, 리프시츠 상수도 약 30% 낮아졌다. 폐루프 시뮬레이션에서는 두 NN 모두 원본 MPC와 유사한 궤적을 보였지만, 보강 NN이 더 빠른 수렴과 작은 진동을 보이며, 실제 제어 성능에서도 원본 MPC와 거의 구분되지 않을 정도의 일치를 달성했다.

이러한 접근은 (1) 리프시츠 기반 오류 한계가 명시적이므로 설계 단계에서 데이터 요구량을 예측 가능하게 하고, (2) 민감도 기반 손실이 네트워크의 일반화와 안정성을 동시에 향상시켜, 실시간 제어에 필요한 경량 NN 설계에 기여한다는 점에서 의미가 크다. 또한, 로버스트 MPC와 결합하면 입력 교란에 대한 내성을 확보할 수 있어 안전‑중요 시스템에 적용 가능성이 높다.