[논문 리뷰] Regularization for Design

Nikolai Matni, Venkat Chandrasekaran|arXiv (Cornell University)|2014. 04. 08.

Sparse and Compressive Sensing Techniques참고 문헌 24인용 수 4

한 줄 요약

이 논문은 구조적 최적 제어기와 그들의 구동, 센서, 통신 아키텍처를 볼록 정규화를 통해 아키텍처 제약 조건을 통합함으로써 공동 설계하는 볼록 최적화 프레임워크인 Regularization for Design (RFD)을 소개한다. 주요 기여는 신호 대 잡음 유형 조건 하에서 증명 가능한 성능 보장을 갖는 희박하고 낮은 복잡도의 제어기를 복원할 수 있는 통합적이고 해석 가능한 방법을 제공한다는 점이다.

ABSTRACT

When designing controllers for large-scale systems, the architectural aspects of the controller such as the placement of actuators, sensors, and the communication links between them can no longer be taken as given. The task of designing this architecture is now as important as the design of the control laws themselves. By interpreting controller synthesis (in a model matching setup) as the solution of a particular linear inverse problem, we view the challenge of obtaining a controller with a desired architecture as one of finding a structured solution to an inverse problem. Building on this conceptual connection, we formulate and analyze a framework called extit{Regularization for Design (RFD)}, in which we augment the variational formulations of controller synthesis problems with convex penalty functions that induce a desired controller architecture. The resulting regularized formulations are convex optimization problems that can be solved efficiently, these convex programs provide a unified computationally tractable approach for the simultaneous co-design of a structured optimal controller and the actuation, sensing and communication architecture required to implement it. Further, these problems are natural control-theoretic analogs of prominent approaches such as the Lasso, the Group Lasso, the Elastic Net, and others that are employed in statistical modeling. In analogy to that literature, we show that our approach identifies optimally structured controllers under a suitable condition on a "signal-to-noise" type ratio.

연구 동기 및 목표

• 스마트 그리드 및 자동 고속도로와 같은 대규모 시스템에서 구동기, 센서, 통신 링크 등의 제어기 아키텍처와 제어 법칙을 공동 설계하는 데 증가하는 도전 과제를 해결하기 위해.
• 제어기 아키텍처 설계를 구조적 선형 역문제로 프레임워크화하여, 모델 일치 형식에서 희박하거나 낮은 복잡도의 제어기를 복원하는 것을 목표로 하기 위해.
• 제어기의 아키텍처 복잡도를 볼凸 정규화를 통해 페널티화함으로써 제어기와 그 아키텍처를 동시에 설계하는 볼凸 최적화 프레임워크를 개발하기 위해.
• RFD 프레임워크가 정확한 제어기 아키텍처를 식별할 수 있는 이론적 복원 조건을 수립하기 위해, 통계적 희박 복원과 유사한 조건을 도출하기 위해.
• 분산된, 잘 분포된 구동과 낮은 닫힘 루프 상태 응답을 갖는 제어기가 RFD를 통해 더 쉽게 복원 가능하다는 것을 보여주기 위해.

제안 방법

• 제어기 합성 문제를 선형 역문제로 설정하여, 제어기 $ U $ 가 $ Y - \mathfrak{L}(U) \approx 0 $ 을 만족하도록 하되, $ \mathfrak{L} $ 는 제어기를 닫힘 루프 응답으로 매핑하는 연산자이다.
• 희박성 또는 구조적 특성을 유도하기 위해 볼凸 페널티 함수(예: $ \ell_1 $, 핵 노름, 원자 노름 등)를 제어기 합성 문제에 추가함으로써 정규화된 변분 형식을 도입한다.
• 성능 지표를 최소화하고 구조적 정규화 항을 포함하는 RFD 최적화 문제를 정의함으로써, 표준 수치 해법으로 풀 수 있는 볼凸 프로그램을 도출한다.
• 제어기의 임펄스 응답에서 '신호 대 잡음비'(SNR) 개념을 도입하여, 구동 아키텍처의 정확한 복원을 위한 충분 조건를 유도한다.
• 제어기 응답과 아키텍처 구조 간의 비일관성 정도를 측정하기 위해 $ \gamma^{\leq t,v} $ 와 $ \beta^{\leq t,v} $ 를 도입하여 복원에 대한 이론적 경계를 가능하게 한다.
• 제어기 상태 응답 $ W^{\leq t} $ 가 역문제에서 측정 잡음의 대체 역할을 하는 마르코프 동적 시스템 모델에 프레임워크를 적용한다.

실험 결과

연구 질문

• RQ1 우리는 스마트 그리드 및 자동 고속도로와 같은 대규모 시스템에서 제어기 아키텍처(구동기, 센서, 통신 링크)와 제어 법칙을 통합적이고 계산적으로 해석 가능한 프레임워크에서 공동 설계할 수 있는가?
• RQ2 RFD 프레임워크는 모델 일치 형식에서 정확한 희박 제어기 아키텍처를 어떤 조건에서 복원하는가?
• RQ3 구동기의 분포와 닫힘 루프 성능은 RFD를 통한 제어기 아키텍처 복원 가능성에 어떻게 영향을 미치는가?
• RQ4 RFD의 이론적 복원 보장 조건는 비영 제어 비용 또는 변동하는 제어기 차수를 갖는 시스템으로 확장 가능한가?
• RQ5 닫힘 루프 시스템의 혼합 시간은 RFD를 통한 아키텍처 복원 성공에 어떤 역할을 하는가?

주요 결과

• RFD 프레임워크는 제어기 구성 요소의 신호 대 잡음비(SNR)가 임계값 $ (\gamma^{\leq t,v} - \beta^{\leq t,v}})^{-1} $ 를 초과할 경우, 두 개의 구동기(노드 1 및 5)를 갖는 제어기의 정확한 구동 아키텍처를 성공적으로 복원한다. 이는 $ t=4, v=1 $ 인 경우에 검증되었으며, $ (\gamma^{\leq 4,1} - \beta^{\leq 4,1})^{-1} = 0.7273 $ 이고, SNR 값이 0.7324 및 0.7353로 확인되었다.
• 세 개의 구동기를 갖는 제어기의 경우, SNR 값이 상당히 높았으며(4.04, 4.04, 2.67), 복원 임계값은 $ (\gamma^{\leq 5,1} - \beta^{\leq 5,1})^{-1} = 0.82 $ 로 설정되었으며, 이는 성능 향상이 복원 가능성 향상과 관련이 있음을 보여준다.
• 이론적 조건인 정리 2의 조건을 충족하지 못하는 경우(예: $ t=5 $)에도 RFD 프레임워크는 여전히 정확한 아키텍처를 복원할 수 있었으며, 이는 엄격한 이론적 경계를 초월한 강건성을 보여준다.
• 원래의 모델 일치 문제에서 제어 비용이 비영일지라도 RFD 문제의 파라미터 $ \rho $ 는 0으로 설정할 수 있으며, 이는 성능을 희생시키지 않고 최적화를 단순화시킨다.
• 초기 임펄스 응답 에너지 집중과 작은 상태 응답 $ W^{\leq t} $ 를 갖는 제어기는 RFD의 신호 대 잡음비 유사 개념을 최대화하므로 더 잘 복원 가능하다.
• 혼합 시간 $ \tau_{\mathscr{M}_*} $ 가 큰 분산 및 확산 구동 방식은 RFD를 통해 더 쉽게 식별 가능하며, 이는 시스템 동역학이 아키텍처 복원 가능성에 영향을 미친다는 것을 시사한다.