데이터 기반 무모델 협동 제어: 확산 결합 시스템의 실용적 형성 제어

본 논문은 확산 결합된 다중 에이전트 시스템에 대한 모델‑프리 실용적 형성 제어 방법을 제시한다. 전통적인 모델 기반 제어는 정확한 시스템 모델이 필요하지만, 복잡하고 비선형적인 현대 시스템에서는 모델링 비용이 크게 증가한다. 이를 극복하고자 저자들은 데이터 기반 접근법을 채택하여, 시스템 모델 없이도 원하는 형성(상대 출력) ζ*에 ε‑근접하게 수렴하도록 설계한다. 1. **문제 정의와 목표** - 그래프 G=(V,E) 위에 배치된 에이전트 Σ_i와 에지 컨트롤러 Π_e가 존재한다. 각 에이전트는 SISO 시스템이며, 에지는 또 다른 SISO 시스템이다. - 목표는 상대 출력 ζ_e(t)=y_i(t)−y_j(t) 가 목표값 ζ*_e와 ε 이하의 차이로 수렴하도록 제어기를 설계하는 것이다(Practical Formation Control). 2. **패시비티와 네트워크 최적화 배경** - 모든 에이전트와 컨트롤러가 최대 평형 독립 패시비티(MEIP) 특성을 가진다고 가정한다. MEIP 시스템은 정적 입력‑출력 관계가 최대 단조(monotone)이며, 이는 볼록 함수의 서브그라디언트와 동치이다. - 각 시스템의 정적 관계를 K_i, Γ_e 라는 볼록 적분 함수로 표현하고, 전체 네트워크의 정상 상태는 ‘최적 전위 문제(OPP)’와 ‘최적 흐름 문제(OFP)’라는 두 쌍대 볼록 최적화 문제의 해와 일치한다(정리 1). 이 최적화 구조는 네트워크 전체가 에너지 최소화 원칙에 따라 동작함을 보장한다. 3. **고이득 컨트롤러 설계 아이디어** - 기본 컨트롤러 Π를 고정하고, 각 에지에 대각선 이득 행렬 A=diag(a_e) 를 삽입한다. A가 충분히 크면 컨트롤러의 동작이 에이전트의 내부 동역학보다 우세해져, 전체 시스템이 컨트롤러가 설계한 목표 ζ*에 가까워진다. - 이론적으로는 ‘a_e 충분히 크면 0∈k^{-1}(y)+Eγ(E^T y)’ 조건을 만족하므로, 원하는 ε‑근접 형성이 보장된다. 4. **데이터 기반 이득 상한 추정** - 각 에이전트 i에 대해 세 번의 정적 입력 실험(예: u=0, u=δ, u=−δ)만 수행하면, 입력‑출력 정적 관계 k_i의 구간 추정치를 얻을 수 있다. - 에지 e=(i,j)에서는 두 에이전트의 추정치를 결합해 γ_e의 구간을 계산한다. - 이후, 부등식 a_e ≥ sup_{(u, y)∈k_i, (v, w)∈k_j} |y−w| / |μ_e| 형태로 각 에지에 필요한 최소 이득을 구하고, 전체 네트워크에 적용할 상한 A_max = diag(max_e a_e) 를 정의한다. - 이 과정은 모델을 전혀 사용하지 않으며, 실험 횟수는 에이전트 수에 비례하지 않고 O(|V|) 수준에 머문다. 5. **보수성 감소를 위한 반복 샘플링** - 초기 상한 A_max 로 시스템을 실행한 뒤 실제 오차를 측정한다. 오차가 허용 범위보다 크면, 해당 에지에 대해 추가 정적 실험을 수행해 γ_e의 구간을 더 좁힌다. - 새롭게 얻은 구간을 이용해 업데이트된 이득 상한을 계산하고, 다시 실행한다. 이 과정을 여러 번 반복하면, 이득 상한이 점진적으로 감소하여 최소 이득 a*에 수렴한다. 6. **패시비티 부족 추정 및 패시비티화** - 실제 시스템이 MEIP를 만족하지 않을 경우, 입력‑출력 데이터로부터 ‘패시비티 지수(passivity index)’를 추정해 부족량을 정량화한다. - 부족량을 보상하기 위해 선형 피드포워드 보상, 상태 피드백, 혹은 비선형 적분 보상 등을 적용해 시스템을 MEIP 형태로 변환한다. 변환 후에는 동일한 데이터 기반 이득 추정 절차를 그대로 적용한다. 7. **시뮬레이션 및 사례 연구** - 6자유도 모바일 로봇(비선형, 불확실한 파라미터) 4대를 사용해 정사각형 형성 목표를 설정하였다. - 각 로봇에 대해 3회의 정적 실험만 수행해 얻은 이득 상한 A_max (α≈12) 로 제어를 적용했을 때, 30초 이내에 ζ(t) 가 목표 ζ*와 0.05 m 이하의 오차로 수렴하였다. - 추가로 두 차례 반복 샘플링을 수행하면 오차가 0.02 m 이하로 감소했으며, 에너지 소비도 약 15 % 감소하는 효과가 관찰되었다. 8. **핵심 기여와 의의** - (i) 패시비티 기반 네트워크 최적화와 데이터 기반 이득 추정을 결합해, 모델이 전혀 없는 상황에서도 형성 제어를 이론적으로 보장한다. - (ii) 최소 실험 횟수(에이전트당 3회)만으로 충분한 이득 상한을 얻을 수 있어, 실시간 혹은 제한된 데이터 환경에 적합하다. - (iii) 반복 샘플링을 통한 보수성 감소 메커니즘을 제시해, 초기 보수적인 설계에서도 점진적인 성능 향상이 가능하다. - (iv) 패시비티 부족을 추정하고 보상하는 방법을 제공함으로써, 실제 비MEIP 시스템에도 적용 가능성을 확대하였다. 결론적으로, 본 연구는 확산 결합된 다중 에이전트 시스템에 대한 무모델 실용 제어 프레임워크를 제시함으로써, 복잡하고 불확실한 현대 시스템에서의 협동 제어 연구에 새로운 방향을 제시한다.