에코스테이트 네트워크와 샘플링 기반 MPC의 결합, 빠른 비선형 제어 구현

초록

본 논문은 고정된 리저버와 출력 가중치만을 온라인 RLS로 학습하는 에코스테이트 네트워크(ESN)를 모델로 사용하고, 이를 샘플링 기반 모델 예측 경로 적분(MPPI) 제어와 결합한 RPPI 프레임워크를 제안한다. 또한 ESN 가중치의 공분산을 활용해 모델 불확실성을 MPPI 가중치에 반영한 URPPI를 개발하여, 듀핑 진동기와 4‑탱크 시스템에서 기존 QP‑MPC 대비 최대 60 %의 제어 비용 감소를 실증한다.

상세 분석

이 연구는 비선형 동적 시스템의 온라인 식별과 제어를 동시에 해결하려는 두 가지 핵심 과제를 통합한다. 첫 번째는 에코스테이트 네트워크(ESN)의 구조적 특성을 이용해 빠른 온라인 학습을 가능하게 하는 점이다. ESN은 내부 리저버 가중치를 고정하고, 출력 가중치만을 최소제곱(RLS) 방식으로 업데이트함으로써 샘플당 연산 복잡도가 O(N̂²)로 제한된다. 여기서 N̂은 리저버 차원이며, 학습 데이터 양에 독립적인 비용 구조는 실시간 적용에 필수적이다. 또한 RLS 과정에서 얻어지는 정밀도 행렬(P)과 그 역인 공분산 행렬은 파라미터 불확실성을 정량화하는 자연스러운 추정치를 제공한다.

두 번째 핵심은 모델 예측 경로 적분(MPPI) 제어와의 결합이다. MPPI는 시스템 동역학을 직접 시뮬레이션하여 다수의 입력 궤적을 샘플링하고, 비용에 따라 가중 평균을 취해 최적 입력을 도출한다. 이 방식은 비선형·비볼록 비용함수와 복잡한 동역학을 선형화 없이 다룰 수 있다는 장점이 있다. 기존 ESN 기반 QP‑MPC가 모델을 매 단계 선형화하고 비용을 2차형식으로 제한하는 반면, RPPI는 ESN의 비선형 출력을 그대로 MPPI에 투입함으로써 예측 정확도와 제어 자유도를 크게 향상시킨다.

URPPI는 위 두 요소에 불확실성 전파를 추가한다. RLS에서 얻은 출력 가중치 공분산 Σ_w를 샘플링 단계에 가우시안 노이즈로 주입하고, 각 샘플 궤적에 대한 비용을 기대값 형태로 평가한다. 이렇게 하면 제어 입력이 “가장 위험이 낮은” 평균 비용을 최소화하도록 설계되어, 모델 식별 초기에 발생할 수 있는 편향이나 과적합에 대한 로버스트성을 제공한다. 수식적으로는 비용 J에 대한 기대값 E_{w∼N(μ_w,Σ_w)}