MPC 지속 실현가능성과 안정성 조건: 종단 집합, 리아푸노프 함수, 명시적 MPC와 추종 제어

핵심 메시지

• 모델 예측 제어에서 매 제어 주기마다 풀 수 있는 해가 존재하도록 보장하는 성질을 지속 실현가능성이라 하고, 이는 종단 집합을 제어 불변 집합으로 고르면 확보된다.
• 안정성은 최적 비용 함수 자체를 리아푸노프 함수로 삼아 증명한다. 상태 궤적을 따라 이 비용이 계속 줄어든다는 것을 보이면 원점 수렴이 따라온다.
• 종단 집합을 원점 하나로 잡으면 실현가능성은 보장되지만 제어 입력을 지나치게 낭비하게 되므로, 가능한 한 느슨한 집합을 고르는 것이 실무적으로 유리하다.
• 시스템이 안정적이면 리아푸노프 방정식의 해로, 불안정하면 무한 구간 LQR과 리카티 방정식의 해로 종단 비용을 정하는 절차적 설계법이 존재한다.
• 기준 궤적 추종에 MPC를 쓸 때 제어 입력의 절댓값에 벌점을 주면 진동이 생기므로, 입력의 변화량을 최적화 변수로 바꿔야 한다.

쉽게 이해하기

스탠퍼드 AA203 최적·학습 기반 제어 강의의 12강으로, 마르코 파보네 교수가 모델 예측 제어(MPC)의 이론적 보증을 마무리하는 회차다. 앞선 강의에서 도입한 MPC의 문제 설정을 이어받아, 매 주기마다 최적화 문제가 풀린다는 보장을 다루는 지속 실현가능성과, 그렇게 구한 입력이 실제로 시스템을 원점으로 몰아간다는 안정성을 차례로 증명한다.

실현가능성 쪽 결론은 간단하다. 한 단계 제어 가능 집합과 제어 불변 집합의 정의를 맞춰 보는 방식으로, 종단 제약으로 쓰는 집합이 제어 불변이면 MPC 법칙이 지속적으로 실현 가능하다는 정리가 나온다. 여기서 중요한 점은 종단 집합이 설계자가 직접 조정할 수 있는 손잡이라는 것이다. 원점은 언제나 제어 불변 집합이지만, 유한 단계 안에 원점에 도달하라고 강제하면 제어 노력이 큰 해만 남기 때문에 좋은 선택은 아니다.

안정성 증명은 리아푸노프 이론을 빌린다. 상태 방정식을 직접 풀지 않고도, 원점에서 0이고 바깥에서 양수이며 궤적을 따라 감소하는 함수를 하나 찾으면 점근 안정성을 말할 수 있다는 도구다. 강의는 MPC의 최적 비용 함수가 바로 그런 함수가 됨을 보인다. 직전 주기의 최적 입력열에서 앞을 하나 떼고 뒤에 종단 집합 안에 머무르게 하는 입력을 붙인 후보 입력열을 만들어, 그 비용이 새 시점의 최적 비용의 상한이 된다는 점을 이용한 증명이다.

이 두 정리를 실제 설계 절차로 옮기는 부분이 이어진다. 시스템 행렬이 점근 안정이면 종단 집합을 무제어 동역학의 최대 양의 불변 집합으로 잡고 종단 비용은 리아푸노프 방정식의 해로 두면 된다. 불안정하면 무한 구간 LQR 제어기를 기준으로 폐루프 동역학의 최대 양의 불변 집합을 종단 집합으로 잡고, 종단 비용은 이산 시간 리카티 방정식의 해로 정한다. 두 경우 모두 집합 계산은 전용 툴박스가 대신해 준다.

마지막으로 두 가지 실무 주제가 붙는다. 하나는 명시적 MPC로, 제약이 있는 LQR의 해가 상태 공간을 다면체로 분할한 조각별 아핀 함수라는 성질을 이용해 온라인 최적화 대신 조회 테이블로 제어 입력을 얻는 방식이다. 다른 하나는 추종 제어인데, 순진하게 입력의 절댓값에 벌점을 주면 추종 오차가 줄어드는 순간 비용이 입력 항에 지배되어 진동이 생기므로 입력의 변화량을 최적화 변수로 삼아야 한다.

주요 인사이트

• 종단 집합은 물리적으로 존재하는 제약이 아니라 지속 실현가능성의 충분조건을 만들기 위해 인위적으로 넣는 조정 손잡이다. 그래서 보장을 잃지 않는 선에서 최대한 느슨하게 잡는 것이 설계의 요령이 된다.
• 리아푸노프 이론의 실익은 미분방정식이나 이산 시간 갱신식을 직접 풀지 않고도 안정성을 말할 수 있다는 데 있다. 대신 적절한 함수를 찾는 일이 어려운데, MPC에서는 최적 비용 함수라는 자연스러운 후보가 이미 손에 있다.
• 강연자는 MPC가 20년 가까이 이론 없이 현장에서 쓰이다가 1990년대에야 이론이 붙었다고 짚으며, 지금의 딥러닝이 비슷한 상태라고 비유한다. 잘 작동하지만 왜 되는지에 대한 이론은 실제 사용 환경을 온전히 설명하지 못한다는 것이다.
• 명시적 MPC는 온라인 최적화를 없애 검증 부담을 크게 줄인다. 로켓 착륙처럼 안전이 걸린 상황에서 최적화 솔버를 신뢰하고 임베디드 환경에 이식·검증하는 비용을 생각하면 매력적이지만, 요즘은 솔버가 빨라져 거대한 조회 테이블 탐색보다 그냥 푸는 편이 빠른 경우가 많다.
• 추종 제어에서 입력 변화량으로 문제를 다시 쓰는 이유는 명확하다. 일정 고도를 유지하는 항공기처럼 기준 궤적을 따르는 데 일정한 입력이 계속 필요한 경우, 절대 입력에 벌점을 주면 제어기가 입력을 줄였다가 오차가 커지는 진동을 반복하게 된다.

자주 묻는 질문

관련 AI 소식