학습 기반 관측기로 결합 교란을 정확히 추정하는 방법

초록

본 논문은 로봇 시스템에서 내부 모델 불확실성과 외부 교란이 결합된 복합 교란을, Chebyshev 다항식 전개와 정규화 최소제곱(RLS) 학습을 결합한 관측기 구조로 정확히 추정한다. 오프라인으로 파라미터 행렬 Θ를 학습하고, 온라인에서는 다항식 기반 교란 관측기를 이용해 실시간 추정·보상을 수행한다. 시뮬레이션 및 실제 비행 실험을 통해 기존의 경계 가정(bounded) 기반 방법보다 높은 정밀도와 수렴성을 입증한다.

상세 분석

이 논문은 로봇 제어에서 가장 난제 중 하나인 ‘결합 교란(coupled disturbance)’ 문제를 체계적으로 해결한다. 기존 연구들은 교란을 하나의 lumped term으로 가정하고, 그 크기 혹은 미분값에 대한 경계(bounded) 가정을 두어 안정성을 증명했지만, 이는 (L‑1) 논리적 모순, (L‑2) 동적 변화에 대한 비탄력성, (L‑3) 보수적 추정오차라는 세 가지 근본적 한계를 내포한다. 저자들은 이러한 한계를 극복하기 위해 교란을 두 개의 알려진 구조와 하나의 미지 파라미터 행렬로 분해하는 새로운 변수 분해 정리를 제시한다(Theorem 1). 핵심 아이디어는 Chebyshev 다항식의 근사 특성을 이용해, 내부 상태 x와 외부 교란 d가 각각 독립적인 함수 B(x)와 ξ(d)로 표현될 수 있음을 보이는 것이다. 이때 미지 파라미터 Θ는 고정된 행렬이며, 오프라인 데이터(상태, 입력, 파생된 교란)로부터 정규화 최소제곱(RLS) 문제를 풀어 정확히 추정한다. 정규화 항 δ는 과적합을 방지하면서도 해의 유일성을 보장한다.

학습이 완료된 Θ와 B(x)를 이용해, 온라인에서는 시간 변수 t에 대한 Chebyshev 다항식 ξ(t)와 다항식 기반 관측기(Polynomial Disturbance Observer)를 결합한다. 관측기 설계는 시스템의 시간변화 행렬에 대한 상태 관측기 이득 Γ_h를 실시간으로 계산하고, 이를 통해 추정된 교란 ˆΔ를 제어 입력에 보상한다. 중요한 점은 관측기 자체가 다항식 형태이므로 계산량이 가볍고, 수학적으로 수렴성을 증명할 수 있다는 것이다(Theorem 2).

실험 부분에서는 실내·실외 쿼드로터 비행 테스트와 다양한 시뮬레이션 시나리오를 통해 제안 방법의 효율성을 검증한다. 평균 절대 오차(MAE)와 추정 오차 수렴 곡선이 기존 L₁ 적응 관측기, ESO, NDO 등과 비교해 현저히 낮으며, 특히 외부 풍동 교란이 시간에 따라 급변하는 경우에도 안정적인 추정이 가능함을 보여준다. 또한, DNN 기반 블랙박스 학습과 달리 파라미터 Θ가 명시적으로 해석 가능하고, 학습 데이터 양이 상대적으로 적어도 충분한 성능을 발휘한다는 점에서 실용성이 높다.

결과적으로, 이 연구는 (1) 복합 교란을 명시적 수학적 형태로 분해, (2) 경계 가정 없이 오프라인 학습과 온라인 관측을 결합, (3) 경량화된 구현과 이론적 수렴 보장을 제공한다는 세 가지 주요 기여를 한다. 이는 로봇 및 무인항공기 등 고정밀 제어가 요구되는 분야에서 학습 기반 제어와 전통적 제어 이론을 융합하는 새로운 패러다임을 제시한다.