작은 세계 모델: 시스템 제어를 위해 얼마나 많은 지식이 필요한가?

섹션별 상세

시스템 식별은 제어 정책을 도출하기 위해 시스템의 입출력 관계를 모델링하는 과정이며, 모델의 정밀도와 계산 효율성 사이의 균형을 맞추는 것이 핵심 과제이다.

모델링 수준은 시스템의 복잡도에 따라 뉴턴의 법칙을 따르는 단순 물리 모델부터 환경 변수를 반영한 비선형 회귀 모델까지 다양하게 선택될 수 있다.

복잡한 시스템의 경우 입출력 데이터를 기반으로 하는 ARMAX 모델이나 상태 공간 모델과 같은 블랙박스 예측 방식을 사용하며, 최근에는 신경망이나 Transformer를 활용한 시계열 예측도 시도되고 있다.

음의 피드백은 모델링 오류를 스스로 수정하는 능력이 있어, 개방 루프에서는 다르게 작동하는 시스템도 폐쇄 루프 내에서는 동일한 수렴 거동을 보이게 만들 수 있다.

Karl Astrom의 사례처럼 개방 루프 시뮬레이션에서는 유사해 보이지만 피드백 제어 하에서는 치명적인 성능 차이를 보이는 경로 의존적 예외 상황이 존재하므로 주의가 필요하다.

실제 로봇 공학에서는 시스템 식별에 투자하는 시간이 성능 향상에 직결되며, 모델이 실제 세계의 노이즈와 지연 시간을 충분히 반영해야 안정적인 제어가 가능하다.

시스템 식별(System Identification): — 관측된 입출력 데이터를 바탕으로 동적 시스템의 수학적 모델을 구축하는 과정이다. 제어 대상의 물리적 특성을 파악하여 최적의 제어 알고리즘을 설계하는 데 필수적이다.
자기회귀 이동평균 외부입력 모델(ARMAX): — 과거의 출력값, 현재 및 과거의 입력값, 그리고 오차항의 선형 결합으로 시스템을 표현하는 통계적 모델이다. 시계열 데이터의 동역학을 예측하는 데 널리 사용된다.
상태 공간 모델(State-space Model): — 시스템의 내부 상태 변수를 사용하여 입력, 출력, 상태 간의 관계를 1차 미분 방정식 세트로 표현하는 방식이다. 복잡한 다입출력 시스템의 분석과 제어 설계에 유리하다.
음의 피드백(Negative Feedback): — 시스템의 출력을 입력으로 되돌려 보내 오차를 줄이는 방향으로 제어하는 메커니즘이다. 모델의 불확실성이나 외부 교란에 대해 시스템을 안정화하는 핵심 역할을 한다.
강인 제어(Robust Control): — 시스템 모델에 불확실성이나 파라미터 변화가 있더라도 안정성과 성능을 유지하도록 설계된 제어 기법이다. 실제 환경의 변동성에 대응하기 위해 중요하다.

시스템 식별(System Identification): — 관측된 입출력 데이터를 바탕으로 동적 시스템의 수학적 모델을 구축하는 과정이다. 제어 대상의 물리적 특성을 파악하여 최적의 제어 알고리즘을 설계하는 데 필수적이다.
자기회귀 이동평균 외부입력 모델(ARMAX): — 과거의 출력값, 현재 및 과거의 입력값, 그리고 오차항의 선형 결합으로 시스템을 표현하는 통계적 모델이다. 시계열 데이터의 동역학을 예측하는 데 널리 사용된다.
상태 공간 모델(State-space Model): — 시스템의 내부 상태 변수를 사용하여 입력, 출력, 상태 간의 관계를 1차 미분 방정식 세트로 표현하는 방식이다. 복잡한 다입출력 시스템의 분석과 제어 설계에 유리하다.
음의 피드백(Negative Feedback): — 시스템의 출력을 입력으로 되돌려 보내 오차를 줄이는 방향으로 제어하는 메커니즘이다. 모델의 불확실성이나 외부 교란에 대해 시스템을 안정화하는 핵심 역할을 한다.
강인 제어(Robust Control): — 시스템 모델에 불확실성이나 파라미터 변화가 있더라도 안정성과 성능을 유지하도록 설계된 제어 기법이다. 실제 환경의 변동성에 대응하기 위해 중요하다.