핵심 요약
제어 공학의 핵심은 시스템의 입출력 거동을 설명하는 신뢰할 수 있는 모델을 구축하는 것이다. 시스템 식별은 기계 학습과 통계학이 제어 공학과 만나는 지점으로, 단순한 물리 법칙부터 복잡한 신경망 기반 예측까지 다양한 수준의 모델링이 존재한다. 피드백은 모델의 불확실성을 보완하여 서로 다른 개루프 시스템을 동일한 폐루프 거동으로 유도할 수 있지만, 특정 상황에서는 미세한 차이가 치명적인 제어 실패를 초래하기도 한다. 결국 성공적인 로봇 제어를 위해서는 시스템의 특성과 외부 교란을 충분히 반영하는 적절한 수준의 모델링이 필수적이다.
배경
제어 공학 기초, 선형 대수학, 시스템 식별(System Identification) 개념
대상 독자
로보틱스 및 제어 시스템 개발자, 시스템 식별에 관심 있는 ML 엔지니어
의미 / 영향
AI 모델링 기술이 제어 공학에 통합되면서 더 복잡한 시스템을 제어할 수 있게 되었으나, 여전히 고전적인 제어 이론의 안정성 분석과 시스템 식별의 중요성은 유효함을 시사한다.
섹션별 상세
시스템 식별은 제어 정책을 도출하기 위해 시스템의 동역학을 충분히 설명하면서도 계산적으로 효율적인 모델을 찾는 과정이다. 모델이 단순할수록 상태 추정 및 제어 설계 알고리즘이 온라인과 오프라인 모두에서 단순해지므로 정밀도와 단순성 사이의 균형이 중요하다.
모델링의 수준은 시스템의 복잡도에 따라 달라진다. 뉴턴의 법칙으로 설명 가능한 단순 물리계부터 기하학적 구조를 활용한 드론 모델링, 그리고 환경 변수에 따른 비선형 회귀 분석까지 다양한 접근법이 사용된다.
데이터 기반의 블랙박스 예측 모델로 ARMAX 모델이 널리 사용되며, 이는 최소자승법으로 학습 가능하다. 더 나아가 서브스페이스 식별을 통해 선형 ARMAX 모델로부터 효율적인 상태 공간 모델을 도출하여 제어 합성 문제를 단순화할 수 있다.
최근에는 신경망이나 트랜스포머를 활용한 비선형 시계열 예측 모델이 시뮬레이터 구축에 사용되기도 한다. 이러한 방식은 문제에 대한 사전 지식 없이도 우수한 예측 성능을 보일 수 있지만, 실제 제어 성능과의 상관관계는 신중한 접근이 필요하다.
부정 피드백은 모델 불확실성에 직면했을 때 강력한 성능을 발휘하며, 개루프에서 다르게 보이는 시스템들을 폐루프에서 동일하게 작동하도록 만들 수 있다. 하지만 칼 아스트롬의 사례처럼 개루프에서는 비슷해 보여도 피드백 하에서 치명적으로 다른 거동을 보이는 예외 상황도 존재한다.
실무 Takeaway
- 시스템 식별에 시간을 투자하여 정밀한 모델을 구축하면 로봇의 실제 제어 성능을 비약적으로 향상시킬 수 있다.
- 모델 설계 시 실제 환경의 교란과 신호 특성을 반영해야 피드백 루프 내에서의 예기치 못한 시스템 붕괴를 방지할 수 있다.
- ARMAX나 서브스페이스 식별과 같은 데이터 기반 기법을 활용하여 복잡한 물리 시스템의 핵심 동역학을 효율적으로 추출할 수 있다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료