시스템 레벨 합성으로 구현하는 시간 가변 어핀 제어 정책

초록

**
본 논문은 기존 SLS가 다루던 선형 정책을 넘어, 시간 가변 어핀 제어 정책을 위한 새로운 폐루프 매개변수를 제시한다. 모델 기반과 데이터 기반 두 환경 모두에서 닫힌‑루프 맵을 이용해 MPC 문제를 동등하게 재구성하고, 수치 실험을 통해 전통적 모델 기반 MPC와 동등한 성능을 확인한다.

**

상세 분석

**
본 연구는 System Level Synthesis(SLS)의 적용 범위를 선형 시스템·선형 정책에서 시간 가변 어핀 정책으로 확장한다는 점에서 의미가 크다. 핵심 아이디어는 제어 입력을 (u_t = \sum_{\tau=0}^{t}K_{t,\tau}x_\tau + u^s_t) 형태로 분해하고, 이를 블록‑대각 연산자 (K)와 어핀 벡터 (u^s) 로 재구성함으로써 기존 SLS의 선형 매핑 (\Phi_x,\Phi_u)에 추가적인 열 (\varphi_x,\varphi_u) 를 도입한다. 이 네 개의 매핑은 식 (9)와 (10)에서 정의된 선형 연산자와 어핀 항의 결합으로, 시스템 동역학과 상수 항 (s) 를 동시에 포착한다.

정리 1은 이 매핑 집합이 모든 가능한 폐루프 응답을 완전히 기술한다는 것을 증명한다. 특히, (\Phi_x)는 기존 SLS와 동일하게 하부 블록 대각 구조를 유지하면서 가역성을 보장하고, (\varphi_x = \Phi_x Z(Bu^s+s)) 로 정의된 어핀 응답은 상수 오프셋을 정확히 반영한다. 이를 통해 제어 정책 (K = \Phi_u\Phi_x^{-1})와 어핀 항 (u^s = \varphi_u - \Phi_u\Phi_x^{-1}\varphi_x) 를 직접 계산할 수 있다.

데이터 기반 확장은 과거 입력‑출력 궤적만을 이용해 (\Phi_x,\Phi_u,\varphi_x,\varphi_u) 를 식별한다는 점에서 혁신적이다. 기존 데이터‑SLS가 선형 매핑만을 추정하던 반면, 제안된 방법은 추가적인 어핀 열을 포함한 행렬을 최소 자승 혹은 행렬식 최소화와 같은 식별 기법으로 복원한다. 따라서 시스템 모델이 전혀 알려지지 않은 상황에서도 MPC와 동등한 어핀 정책을 구현할 수 있다.

MPC와의 연결 고리는 Lemma 1과 Theorem 2에서 명확히 드러난다. 제곱 비용과 다각형 제약을 갖는 표준 MPC는 최적 해가 조각별 어핀 함수임이 알려져 있다. 저자는 이 사실을 이용해 MPC의 최적 입력을 (u_t^* = K_t x_t^* + u_t^{s*}) 로 표현하고, 앞서 정의한 폐루프 매핑을 최적화 변수로 삼아 전통적인 상태‑입력 변수 대신 (\Phi)와 (\varphi) 로 문제를 재구성한다. 이렇게 하면 제약 조건과 비용 함수가 모두 선형/어핀 매핑에 대한 선형/볼록 제약으로 변환되어, 대규모 분산 제어나 견고 제어 설계에 적합한 형태가 된다.

수치 실험에서는 2‑차원 선형 시스템에 상수 오프셋 (s) 를 추가하고, 시간 가변 어핀 SLS와 기존 모델 기반 MPC, 그리고 데이터 기반 어핀 SLS를 비교한다. 결과는 세 방법 모두 동일한 비용과 제약 만족도를 보이며, 특히 데이터 기반 방법이 모델 오차 없이도 거의 동일한 성능을 달성함을 입증한다. 이는 제안된 어핀 SLS가 실제 현장 데이터에 기반한 제어 설계에 충분히 활용될 수 있음을 시사한다.

전반적으로 이 논문은 (1) 어핀 정책을 위한 폐루프 매개변수화, (2) 모델 기반·데이터 기반 양쪽 모두에 적용 가능한 일반화된 SLS 프레임워크, (3) MPC와의 직접적인 연결을 통한 실용적 설계 방법론을 제공한다는 점에서 기존 연구를 크게 확장한다.

**