Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 비선형 모델 예측 제어(NMPC)의 실시간 적용 한계를 극복하기 위해 학습 기반 반복 솔버 LISCO를 개선한 방법을 제시합니다. 기존 방식의 지평 의존성을 제거하여 네트워크 크기를 고정하고, 폐루프 재샘플링 전략을 통해 훈련 분포를 최적화했습니다. 이로써 더 큰 문제에 확장 가능하며 IPOPT 대비 높은 속도 향상과 우수한 제어 성능을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG (Machine Learning)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기비선형 모델 예측 제어(NMPC)는 복잡한 목표와 제약 조건을 강제하면서 대규모 비선형 시스템에 적용될 수 있지만, 근본적인 최적화 문제를 해결하는 비용이 빠른 동역학이나 많은 상태를 가진 시스템의 실시간 적용을 제한합니다. 신경망은 제어 법칙을 근사하여 이 온라인 비용을 줄일 수 있지만, 제약 조건을 위반할 수 있으며 일반적으로 훈련을 위해 많은 사전 계산된 최적화 솔루션을 필요로 합니다. 대신 학습 기반 반복 솔버인 LISCO(Learning-based Iterative Solver for Constrained Optimization)는 사전 계산된 솔루션 없이 자기 지도 학습(self-supervised training)을 통해 Karush-Kuhn-Tucker (KKT) 조건을 만족하기 위한 원시-쌍대 단계(primal-dual steps)를 예측하도록 학습하지만, 그 밀집되고 단일체적인 아키텍처는 예측 지평(prediction horizon)에 따라 커집니다. 우리는 솔버 아키텍처에서 문제의 시간적 구조(temporal structure)를 활용하여 이 지평 의존성을 제거함으로써 네트워크 크기를 지평과 독립적으로 유지하는 동시에 훈련 손실과 솔버 반복은 변경하지 않습니다. 폐루프 재샘플링 전략(closed-loop resampling strategy)은 추가적인 샘플링 비용 없이 훈련 분포를 폐루프 작동에 맞게 더욱 정렬합니다. CSTR 캐스케이드의 경제적 NMPC 벤치마크에서, 제안된 솔버는 단일체 LISCO보다 더 큰 문제로 확장되며 IPOPT 대비 최대 4배의 중앙값 속도 향상을 달성합니다. 폐루프에서는 관찰된 제약 조건 위반 없이 IPOPT와 비교할 수 있는 제어 성능을 달성합니다.