분산 모델 예측 제어를 통한 다중 에이전트 동적 협동

초록

본 논문은 이기종 비선형 다중 에이전트 시스템을 위한 분산 모델 예측 제어(DMPC) 프레임워크를 제안한다. 각 에이전트는 인공 레퍼런스를 최적화하여 협동 목표를 달성하고, 재귀적 실현 가능성, 점근적 안정성 및 과도 성능 한계를 이론적으로 보장한다. 위성 군집, 협소 통로 통과, 협동 쿼드로터 비행 등 세 가지 시뮬레이션을 통해 실효성을 검증한다.

상세 분석

이 연구는 기존 분산 MPC가 특정 협동 과제(예: 합의, 형성) 혹은 사전 정의된 궤적에만 적용되는 한계를 극복하고자 한다. 핵심 아이디어는 ‘인공 레퍼런스(artificial reference)’를 각 에이전트의 의사결정 변수에 포함시켜, 에이전트가 자체적으로 추적할 중간 목표(협동 출력)를 생성하도록 하는 것이다. 이를 위해 저자는 먼저 주기적(또는 비주기적) 협동 출력 집합 (Y_c^T)을 정의하고, 각 에이전트가 선택한 협동 출력과 실제 시스템 출력 간의 거리와, 협동 출력과 전역 협동 목표 간의 거리를 각각 페널티화한 비용 함수를 설계한다.

수학적으로는 각 에이전트 (i)의 비선형 이산 시간 동역학 (x_i(t+1)=f_i(x_i(t),u_i(t)))와 개별·연결 제약 (Z_i, C_i)를 고려한다. 인공 레퍼런스와 실제 출력 사이의 매핑은 Lipschitz 연속이며 일대일인 함수 (g_{x,i}, g_{u,i})를 통해 보장한다(Assumption 2). 이 매핑을 이용해 ‘추적 비용’ (\ell_i’)을 정의하고, 전통적인 MPC용 터미널 비용·제어법칙 (V_{f,i}, k_{f,i})과 터미널 집합 (X_{f,i})을 일반화한다(Assumption 4).

분산 최적화는 그래프 (G=(V,E))에 기반한 이웃 통신을 전제로 하며, 협동 목표 함수 (W_c)는 그래프 구조에 따라 분리 가능하도록 설계된다(Definition 2). 이렇게 하면 각 에이전트는 자신의 협동 출력과 이웃의 협동 출력만을 이용해 로컬 최적화를 수행하면서도 전역적인 협동 목표를 점진적으로 감소시킬 수 있다.

이론적 기여는 다음과 같다. 첫째, 제안된 DMPC는 모든 초기 조건에 대해 재귀적 실현 가능성을 보장한다. 이는 인공 레퍼런스가 항상 내부 제약을 만족하는 주기 궤적 집합 (Z_T^i)에 매핑될 수 있음을 이용한다. 둘째, Lyapunov‑like 함수 (V = \sum_i V_{f,i} + W_c)를 통해 전체 시스템이 (Y_c^T)에 수렴함을 증명한다. 셋째, 예측 지평선 길이 (N)가 증가함에 따라 과도 성능 한계가 개선된다는 정량적 바운드가 제시된다(Transient Performance Bounds). 이는 기존 MPC for tracking 결과를 다중 에이전트 상황에 확장한 것이다.

시뮬레이션에서는 (1) 위성 군집이 주기적인 상대 위치를 유지하도록 하는 협동 궤적, (2) 협소 통로를 통과하면서 충돌을 피하는 비주기적 협동, (3) 다중 쿼드로터가 복합 형성을 이루는 사례를 다룬다. 각 사례에서 제안된 DMPC는 중앙집중식 설계 없이도 목표를 달성하고, 예측 지평선이 짧아도 실현 가능성을 유지함을 보여준다.

전체적으로 이 논문은 ‘목표를 미리 지정하지 않고도 에이전트 간의 최적화 상호작용을 통해 협동 목표가 자연스럽게 나타나게 하는’ 새로운 분산 MPC 패러다임을 제시한다. 이는 복잡한 비선형 다중 로봇 시스템, 우주 시스템, 스마트 그리드 등 다양한 분야에 적용 가능성을 열어준다.