차분 평탄성을 활용한 제한된 다중 입력 제어 아핀 시스템의 효율적인 학습 기반 모델 예측 제어

학습 기반 제어 기술은 과거 궤적 데이터를 활용하여 불확실한 동역학을 가진 시스템을 제어합니다. 그러나 학습 기반 컨트롤러는 종종 계산적으로 비효율적이어서 실용성을 제한합니다. 이 한계를 해결하기 위해 우리는 많은 로봇 시스템에 내재된 차분 평탄성 (differential flatness) 성질을 활용하는 학습 기반 컨트롤러를 제안합니다. 최근 평탄성을 활용한 학습 기반 제어 연구는 (i) 입력 제약을 무시하거나, (ii) 단일 입력 시스템에만 적용되거나, (iii) 특정 플랫폼에 맞춤화되어 있다는 한계가 있습니다. 반면, 우리의 접근법은 일반 다중 입력 비선형 아핀 시스템을 제어하기 위해 시스템 확장 (system extension) 과 블록 대각 비용 함수 형식 (block-diagonal cost formulation) 을 사용합니다. 또한, 이는 입력과 반공간 평탄 상태 제약 (half-space flat state constraints) 을 만족하며, 두 개의 순차적 볼록 최적화 (sequential convex optimizations) 만으로도 확률적 라이아푸노프 감소 (probabilistic Lyapunov decrease) 를 보장합니다. 우리는 시뮬레이션에서 제안된 접근법이 가우시안 프로세스 모델 예측 컨트롤러 (Gaussian process model predictive controller) 와 유사한 성능을 보이지만, 여러 배 더 효율적임을 보여주었으며, 실제 하드웨어 실험에서도 경쟁력 있는 추적을 달성했습니다.