신경망으로 레퍼런스 추적 제어의 순간 성능 향상

초록

본 논문은 기존의 레퍼런스 추적 기반 제어기에 신경망을 결합한 “Reference Performance Boosting(rPB)” 프레임워크를 제안한다. 내부 모델 제어(IMC) 구조를 이용해 추적 특성을 보존하면서 ℓₚ‑안정성을 유지하고, 신경망 파라미터를 통해 과도 성능(오버슈트, 정착 시간, 에너지 소비 등)을 최적화한다. 모델 불일치가 i.f.g ℓₚ‑안정성 조건을 만족하면 강인성도 확보한다. 로봇 시뮬레이션 결과, 기존 PB 대비 다중 레퍼런스에 대한 일반화와 비선형 경로 최적화에서 우수함을 확인하였다.

상세 분석

이 논문은 레퍼런스 추적 제어 문제에 대한 근본적인 해답을 제시한다. 기존의 PID·MPC·적응 제어 등은 안정성은 보장하지만 과도 성능을 명시적으로 최적화하기 어렵다. 저자들은 최근 제안된 Performance Boosting(PB) 프레임워크를 확장해, 기본 추적 컨트롤러와 신경망 기반 보강기를 결합한 rPB(Reference PB) 구조를 설계한다. 핵심 아이디어는 내부 모델 제어(IMC) 아키텍처를 이용해 시스템 모델을 복제하고, 실제 입력과 모델 예측 사이의 차이(즉, 외란 추정)를 신경망 M 에 전달하는 것이다.

Theorem 1에 따르면, M 이 ℓₚ‑신호를 생성하면 어떠한 ℓₚ‑노이즈 w 와 레퍼런스 x_ref 에 대해서도 폐루프 오차 e와 제어 입력 u 가 ℓₚ‑안정성을 유지한다. 이는 “모든 추적 가능한 레퍼런스에 대해 추적 특성을 보존하는 컨트롤러는 하나의 ℓₚ‑안정 연산자 M 으로 완전히 매개변수화될 수 있다”는 강력한 선언이다. 따라서 설계자는 M 의 구조만 자유롭게 선택하면 된다.

실제 구현에서는 M 을 두 부분 M₁·M₂ 로 분해한다. M₁은 ℓₚ‑안정성을 보장하는 선형/비선형 연산자이며, M₂는 입력 레퍼런스에 대한 유한한 바운드를 갖는 다층 퍼셉트론(MLP)으로 설계한다. M₂ 의 출력이 ℓ_∞ 에 머무르면 전체 M 의 출력은 ℓₚ에 속하게 된다. 이 설계는 신경망이 레퍼런스 신호의 크기에 무관하게 과도 성능을 조정하도록 허용한다.

모델 불일치에 대한 강인성 분석도 제공한다. 모델 오차 Δ 를 i.f.g ℓₚ‑안정 연산자로 가정하고, 그 증분 이득 α(Δ) 가 충분히 작을 경우, M 의 증분 이득 α(M) 을 α(Δ) 보다 작게 설계하면 레퍼런스 추적이 여전히 보장된다(Theorem 2). 이는 실제 시스템에서 파라미터 변동이나 외란이 존재해도 rPB가 안정적으로 동작함을 의미한다.

시뮬레이션에서는 2‑DOF 로봇 팔을 대상으로, 다중 목표점 추적과 비선형 경로(예: 원형 궤적) 따라 움직이는 상황을 실험했다. rPB는 기본 PID 기반 추적기 대비 정착 시간 감소, 오버슈트 감소, 제어 입력 에너지 절감 효과를 보였으며, 특히 다양한 레퍼런스에 대해 하나의 학습된 M 으로 일반화가 가능했다. 이는 기존 PB가 특정 레퍼런스에만 최적화된 반면, rPB는 레퍼런스 독립적인 설계가 가능함을 입증한다.

전체적으로 이 논문은 “성능 최적화와 안정성 보장을 동시에 만족하는 신경망 기반 레퍼런스 추적 제어”라는 목표를 체계적인 이론과 실증을 통해 달성하였다. IMC 기반 파라미터화, ℓₚ‑안정성 이론, i.f.g ℓₚ‑강인성 분석, 그리고 실용적인 신경망 구현까지 포괄적인 접근을 제시함으로써, 복잡한 비선형 시스템에서 실시간 제어에 신경망을 적용하려는 연구자와 엔지니어에게 중요한 지침을 제공한다.