자율 시스템을 위한 예측 제어, 안전 제어, 궤적 최적화

Predictive Control, Safe Control, and Trajectory Optimization for Autonomous Systems

연구 내용

self-triggered MPC와 lifting 기반 최적 제어, ellipsoidal target set을 갖는 ETS-DDP, 그리고 relative degree 2 제약에서 CLBF를 설계해 안전한 피드백 선형화를 구현하는 연구

자율 시스템에서 제약과 계산 효율을 동시에 다루는 제어 체계를 연구합니다. lifting-based self-triggered model predictive control은 선형 시스템에 대해 최소 트리거 주기를 steady state에서 보장하도록 dual-mode 프레임워크를 구성합니다. 안전 제어에서는 relative degree 2 제약을 갖는 control Lyapunov-barrier function(CLBF) 설계에서, unsafe set에서의 CLF 값을 sigmoid scaling으로 조정해 CLBF를 체계적으로 구성하고 안전한 feedback linearization 기반 제어로 연결합니다. 또한 상태 목표를 점이 아닌 ellipsoid로 두는 ETS-DDP를 제안하여 orthogonal projection 기반 비용의 비미분 구간을 국소적으로 smoothing하고, admissible target set을 expert demonstration으로부터 통계적으로 추정합니다.

관련 프로젝트

1건

연구 흐름

2025년에 safety와 제약 처리 중심으로 CLBF 기반 설계를 정리한 뒤, 동일한 선형화/제어 연결 구조를 기반으로 실용적인 안전 피드백 선형화 적용으로 확장합니다. 이어 계산 부담을 줄이기 위한 방향으로 lifting 기반 self-triggered MPC를 dual-mode 프레임워크로 구성하여 steady state에서 최소 트리거 보증을 포함하는 설계로 발전했습니다. 이후 목표 집합이 ellipsoid인 trajectory 최적화 문제로 연구 범위를 넓히고, ETS-DDP에서 orthogonal projection으로 인한 비미분을 국소 smoothing으로 처리하며 통계적 inference로 admissible target set을 구성합니다. 이러한 흐름이 실시간 차량동역학 학습과 미래 예측 기반 협력 자율주행 과제와 연결됩니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

Lifting 기반 self-triggered MPC
최소 트리거 주기 보장 제어
제약 포함 안전한 피드백 선형화
relative degree 2 제약 안전 안정화
Ellipsoidal target set 기반 경로 계획
ETS-DDP 궤적 최적화
통계적 inference 기반 목표 집합 설계
안전성 조건 파라미터 설계
자율주행 예측 제어 프레임워크
협력 자율주행 궤적 생성