17.21 비구조적 불확실성의 처리 기법

1. 개요

비구조적 불확실성(non-parametric uncertainty)은 로봇 동역학 모델이 상정한 방정식 형식 자체가 실제 시스템의 거동을 완전히 기술하지 못할 때 발생한다. 강체 가정에 의해 무시된 탄성 변형, 집중 매개변수 모델이 포착하지 못하는 분포 특성, 평활 마찰 모델이 반영하지 못하는 미시적 이력, 무시된 고차 공진 모드, 제어 루프의 시간 지연과 샘플링 효과 등이 이에 해당한다. 이러한 오차는 특정 매개변수로 선형 기술되지 않으므로, 경계 기반 또는 주파수 영역의 집합 기술을 통해 다루어야 한다. 본 절에서는 비구조적 불확실성의 수학적 표현과 대표적 처리 기법, 그리고 이를 기반으로 한 제어 설계의 기본 아이디어를 정리한다.

2. 비구조적 불확실성의 수학적 표현

명목 동역학 시스템을 $P_0(s)$ 라 하고 실제 시스템을 $P(s)$ 라 할 때, 두 시스템 사이의 차이는 다양한 형식으로 표현된다. 대표적 표현은 다음과 같다.

$P(s) = P_0(s) + W(s)\Delta(s) \quad (\text{additive})$

$P(s) = \bigl(I + W(s)\Delta(s)\bigr)P_0(s) \quad (\text{multiplicative})$

$P(s) = P_0(s)\bigl(I - W(s)\Delta(s)\bigr)^{-1} \quad (\text{inverse multiplicative})$

여기서 $\Delta(s)$ 는 안정적이며 규범 조건 $\|\Delta\|_\infty \le 1$ 을 만족하는 임의의 전달 함수이고, $W(s)$ 는 주파수별로 불확실성의 크기를 지정하는 주파수 가중 함수이다. 로봇 동역학에서 고주파수 영역에서는 모드 무시로 인해 불확실성이 크게 나타나므로 $|W(j\omega)|$ 가 주파수 증가에 따라 커지도록 설계된다. 시간 영역에서는 상태 의존 경계 $\|\Delta(q,\dot{q},t)\| \le \rho(q,\dot{q})$ 로 기술되어 리아푸노프 해석에 연결된다.

소이득 정리와 강인 안정성

비구조적 불확실성에 대한 안정성 보장은 소이득 정리(small gain theorem)를 통해 이루어진다. 폐루프 시스템이 $T(s)$ 라는 보완 감도 함수를 가질 때, 곱셈형 불확실성 아래 강인 안정성 조건은 다음과 같이 주어진다.

$\|W(s)T(s)\|_\infty < 1$

이 조건은 제어기의 대역폭과 감도 함수의 성형에 직접 제약을 부여하며, 고주파수 영역에서 $|T(j\omega)|$ 를 충분히 작게 유지해야 함을 의미한다. 이로 인해 강인 설계는 성능과 강인성 사이의 본질적인 절충을 제공한다. 성능 요구는 $\|W_p(s)S(s)\|_\infty < 1$ 형태로 표현되며, 여기서 $S(s)$ 는 감도 함수이고 $W_p$ 는 성능 가중 함수이다.

3. H∞ 기법과 혼합 감도 설계

비구조적 불확실성을 체계적으로 다루는 대표적 프레임워크는 $H_\infty$ 제어이다. 혼합 감도 설계에서는 다음과 같은 일반화된 공장 구성이 사용된다.

$\min_K \left\Vert \begin{bmatrix} W_p S \\ W_u KS \\ W_T T \end{bmatrix} \right\Vert_\infty$

이 최적화 문제를 풀면 성능 요구와 강인 안정성 요구를 동시에 만족하는 제어기 $K$ 가 얻어진다. $W_p, W_u, W_T$ 는 각각 출력 오차, 제어 입력, 상보 감도에 대한 가중 함수이며, 설계자는 이들을 조정하여 원하는 루프 형상(loop shaping)을 달성한다. 로봇 동역학은 본질적으로 비선형이므로, 이 기법은 통상적으로 작업점 근방의 선형화 모델 또는 선형 매개변수 변동(LPV) 모델에 적용된다.

구조 특이값 μ 해석

복합적 불확실성 구조를 갖는 경우 소이득 정리는 보수적 결과를 줄 수 있다. 구조 특이값 $\mu$ 는 이러한 보수성을 완화하기 위해 도입된 지표로서, 불확실성이 블록 대각 구조를 가진다는 정보를 활용하여 강인 안정성과 강인 성능을 더욱 정밀하게 평가한다.

$\mu_\Delta(M) = \frac{1}{\min\{\bar\sigma(\Delta) : \det(I - M\Delta) = 0\}}$

$\mu$ 해석은 $D$ - $K$ 반복 절차를 통해 제어기 설계에도 확장되며, 매개변수 불확실성과 비구조적 불확실성이 공존하는 혼합 모델에 특히 유용하다.

4. 슬라이딩 모드 제어와 경계 기반 접근

비구조적 불확실성의 크기를 상태 종속 상계 $\|\Delta(q,\dot{q})\| \le \rho(q,\dot{q})$ 로 기술할 수 있다면, 슬라이딩 모드 제어(sliding mode control)는 유한 시간 내에 슬라이딩 면에 도달하도록 설계하여 불확실성의 효과를 구조적으로 상쇄한다. 제어 입력은 다음과 같은 형태를 취한다.

$\tau = \hat{M}(q)\bigl(\ddot{q}_d - \Lambda \dot{e}\bigr) + \hat{C}(q,\dot{q})\dot{q} + \hat{g}(q) - K(q,\dot{q})\,\mathrm{sgn}(s)$

여기서 $s = \dot{e} + \Lambda e$ 는 슬라이딩 변수이며, $K(q,\dot{q})$ 는 $\rho(q,\dot{q})$ 보다 큰 스위칭 게인이다. 이 접근은 강인성은 뛰어나지만 채터링 문제를 수반하며, 경계층(boundary layer) 또는 고차 슬라이딩 모드를 통해 완화된다.

적응 및 학습 기반 처리

비구조적 불확실성의 일부는 동역학 방정식 형태로는 표현되지 않으나 반복 작업에서 비슷하게 재현되는 성분을 포함한다. 이러한 성분은 반복 학습 제어(iterative learning control)와 피드포워드 보상 학습으로 점진적으로 제거될 수 있다. 또한 가우스 과정 회귀(Gaussian process regression)나 심층 신경망을 이용한 잔여 동역학 학습은 명목 모델과 실제 시스템 사이의 차이를 데이터 기반으로 근사하는 수단을 제공하며, 학습된 함수에는 신뢰 구간이나 표준 편차 추정이 수반되어 강인 제어와 결합될 수 있다.

외란 관측기를 통한 등가적 처리

비구조적 불확실성은 토크 영역에서 등가 외란으로 변환되어 외란 관측기를 통해 실시간 보상될 수 있다. 이를 위해 명목 관성을 기준으로 외란 추정치를 다음과 같이 계산한다.

$\hat{d}(s) = Q(s)\bigl[\tau - \hat{M}_n s \dot{q}\bigr]$

여기서 $Q(s)$ 는 저역 통과 필터로서 측정 잡음과 고주파 모델 오차 사이의 절충을 제공한다. $\hat{d}$ 를 피드포워드 입력에서 차감하면 불확실성의 저주파수 성분이 효과적으로 제거된다. 이 접근은 강인 제어와 달리 추가적인 시스템 차수 증가가 제한적이라는 실무적 장점이 있다.

5. 고차 공진 모드와 롤오프 설계

무시된 고차 모드는 비구조적 불확실성의 주요 원천 중 하나이다. 제어 대역폭이 이러한 모드의 공진 주파수에 접근하면 스필오버(spillover) 현상이 발생하여 불안정성을 초래할 수 있다. 이를 방지하기 위해 제어 루프는 고주파 롤오프 필터를 포함하도록 설계되며, 노치 필터를 삽입하여 특정 공진 주파수 대역에서 이득을 감소시킨다. 설계 과정에서 공진 주파수는 실험적 주파수 응답 계측을 통해 식별된다.

6. 패시비티 기반 강인화

로봇 동역학이 패시비티 성질을 가진다는 사실은 비구조적 불확실성 처리에 특유의 이점을 제공한다. 패시비티 기반 제어는 에너지 소산 구조를 유지하므로, 모델 부정확성에도 불구하고 폐루프 안정성이 보장되는 견고한 설계를 제공한다. 포트-해밀턴 프레임워크와 IDA-PBC(interconnection and damping assignment passivity-based control)는 이러한 접근의 대표적 예이며, 모델 정확성보다는 에너지 구조의 유지를 우선하는 설계 철학을 따른다.

7. 본 절의 의의

본 절은 로봇 동역학의 가장 다루기 어려운 오차원인 비구조적 불확실성을 기술하고 처리하기 위한 수학적, 제어 공학적 수단들을 체계적으로 정리한다. 주파수 영역 표현, $H_\infty$ 및 $\mu$ 설계, 슬라이딩 모드, 외란 관측기, 학습 기반 보정, 패시비티 기반 접근은 모두 상이한 관점에서 동일한 문제를 공략하는 도구들이며, 실제 설계에서는 여러 접근이 결합되어 사용된다. 이로써 후속 절에서 전개될 접촉 동역학, 힘 제어, 임피던스 제어에서의 강인한 작동을 가능케 하는 이론적 토대가 마련된다.

8. 학습 권장사항

독자는 단일 자유도 유연 관절 모델에 대해 명목 모델을 강체로 가정하고 실제 시스템은 탄성을 포함하도록 설정한 뒤, 소이득 정리를 이용해 제어기의 허용 대역폭을 직접 계산해 보는 실습을 권장한다. 또한 외란 관측기와 슬라이딩 모드 제어를 각각 구현하여 동일한 잔여 동역학에 대한 성능과 강인성 차이를 비교하는 것이 유익하다. 가우스 과정 회귀를 이용해 잔여 토크를 학습하는 간단한 예제를 수행해 보면 데이터 기반 기법의 강점과 한계를 명확히 이해할 수 있다.

9. 참고 문헌

Zhou, K., & Doyle, J. C. (1998). Essentials of Robust Control. Prentice Hall.
Skogestad, S., & Postlethwaite, I. (2005). Multivariable Feedback Control: Analysis and Design. Wiley.
Doyle, J. C. (1982). Analysis of feedback systems with structured uncertainties. IEE Proceedings D, 129(6), 242–250.
Slotine, J.-J. E., & Li, W. (1991). Applied Nonlinear Control. Prentice Hall.
Utkin, V. I. (1992). Sliding Modes in Control and Optimization. Springer.
Ohnishi, K., Shibata, M., & Murakami, T. (1996). Motion control for advanced mechatronics. IEEE/ASME Transactions on Mechatronics, 1(1), 56–67.
Nguyen-Tuong, D., & Peters, J. (2011). Model learning for robot control: A survey. Cognitive Processing, 12(4), 319–340.
Ortega, R., van der Schaft, A., Maschke, B., & Escobar, G. (2002). Interconnection and damping assignment passivity-based control of port-controlled Hamiltonian systems. Automatica, 38(4), 585–596.

version: 1.0