[논문 리뷰] On Robustness in Optimization-Based Constrained Iterative Learning Control

Dominic Liao-McPherson, Efe C. Balta외 2명|arXiv (Cornell University)|2022. 01. 01.

Iterative Learning Control Systems인용 수 1

한 줄 요약

이 논문은 공정 노이즈와 모델 불일치가 존재하는 선형 제약 시스템을 대상으로 강건한 최적화 기반 반복학습제어(OB-ILC) 프레임워크를 제안한다. 구조적 불확실성 모델링과 함께 전진-후진 분할을 활용하여 제약 조건 이행을 보장하고, 반복 도메인에서 입력-상태 안정성에 대한 계산 가능한 충분조건를 도출한다. 시뮬레이션을 통해 정밀 운동 스테이지에서 기존의 노름 최적 ILC보다 뛰어난 강건성과 제약 조건 이행 성능을 입증한다.

ABSTRACT

Iterative learning control (ILC) is a control strategy for repetitive tasks wherein information from previous runs is leveraged to improve future performance. Optimization-based ILC (OB-ILC) is a powerful design framework for constrained ILC where measurements from the process are integrated into an optimization algorithm to provide robustness against noise and modelling error. This paper proposes a robust ILC controller for constrained linear processes based on the forward-backward splitting algorithm. It demonstrates how structured uncertainty information can be leveraged to ensure constraint satisfaction and provides a rigorous stability analysis in the iteration domain by combining concepts from monotone operator theory and robust control. Numerical simulations of a precision motion stage support the theoretical results.

연구 동기 및 목표

• 활동적 제약 조건, 반복되지 않는 노이즈, 모델 불일치 하에서 제약 조건이 있는 ILC의 강건 수렴 보장이 부족한 문제를 해결하기 위해.
• 공정 노이즈와 모델링 오차에 대해 강건성을 유지하면서도 입력 및 출력 제약 조건을 체계적으로 이행할 수 있는 방법을 개발하기 위해.
• 단조 연산자 이론과 강건 제어 개념을 활용하여 반복 도메인에서의 엄밀한 안정성 분석을 제공하기 위해.
• 모델링 오차가 수렴 속도에 미치는 영향을 정량화하고, 계산 가능한 안정성 조건을 도출하기 위해.
• 제약 조건 강화가 수렴 속도를 느리게 하면서도 강건성을 향상시키는지 시뮬레이션을 통해 검증하기 위해.

제안 방법

• 제약 조건과 노이즈를 다루기 위해 전진-후진 분할(FBS)을 활용한 데이터 기반 최적화로 ILC 문제를 수립한다.
• 시스템과 외란 매개변수의 볼록 Hull 표현을 통해 공정 불확실성을 모델링하여 강건성 분석을 가능하게 한다.
• 공정 모델이 조건자로 작용하는 예비 조건이 부여된 FBS 알고리즘을 도입하며, 이에 따른 수렴 속도에 미치는 영향을 명시적으로 분석한다.
• 강건 제어 이론과 단조 연산자 이론을 활용하여 반복 도메인에서의 입력-상태 안정성에 대한 충분조건를 유도한다.
• 활성집합 방법을 사용한 2차 프로그래밍을 활용해 알고리즘을 구현하며, 입력 및 출력 속도 제약 조건을 통합한다.
• 연속 시간 상태공간 모델의 유한 차원 이산화를 수행하며, 주기당 400개의 샘플(2 ms 해상도)을 사용하여 m=2406 및 n=802 차원을 도출한다.

실험 결과

연구 질문

• RQ1 구조적 불확실성을 OB-ILC 프레임워크에 통합하여 노이즈와 모델 불일치 하에서도 강건한 제약 조건 이행을 보장할 수 있는가?
• RQ2 유계 외란과 모델링 오차가 존재할 때 반복 도메인에서 ILC 정책의 입력-상태 안정성에 대한 충분조건는 무엇인가?
• RQ3 모델을 조건자로 선택할 경우 FBS 기반 ILC 알고리즘의 수렴 속도에 어떤 영향을 미치는가?
• RQ4 제약 조건 강화가 수렴 속도를 느리게 하면서도 강건성을 얼마나 향상시키는가?
• RQ5 제약 조건이 활성화되어 있고 노이즈가 존재할 경우, 기존의 노름 최적 ILC와 비교해 알고리즘이 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 OB-ILC 방법은 노름 최적 ILC(NO-ILC)보다 더 낮은 점점 수렴 오차를 달성하며, 최종 ∥e∥2는 약 0.005 mm 수준을 기록한다. 이와 동시에 출력 제약 조건을 엄격히 이행한다.
• NO-ILC는 속도 제약 조건(0.02 mm/s)을 위반하는 반면, OB-ILC는 모든 반복 과정에서 제약 조건 준수를 유지한다. 그림 4에서 이를 확인할 수 있다.
• OB-ILC는 NO-ILC보다 수렴 속도가 느리며, 이는 Q와 R 가중치 행렬 때문이 아니라 강건 안정성을 확보하기 위한 스텝 사이즈 제약 때문임을 규명하였다.
• 노이즈 크도 증가함에 따라 비용 함수가 증가하며, 이는 이론 2에 의해 예측된 바와 같이 고장 반경 rad D가 증가함에 따라 임계값도 상승한다.
• 모델링 오차는 수렴 속도를 떨어뜨리며, 모델 M이 실제 시스템에서 벗어날수록 더 긴 수렴 시간이 관찰된다. 이는 비고 1과 일치한다.
• 2020년형 맥북 프로에서 각 반복 당 평균 1.57 ± 0.8초 내외로 수렴을 달성하며, 최대 2.93초가 소요되며, quadprog의 활성집합 솔버를 사용한다.