모델 예측 제어(Model Predictive Control, MPC)의 계산상의 문제를 해결하기 위해, 최근 연구에서는 계산 효율적인 심층 신경망(Deep Neural Network, DNN)으로 MPC를 근사하기 위해 모방 학습을 사용하는 방법을 연구해 왔다. 그러나 이는 학습 기반 제어에서 흔히 발생하는 문제인 시뮬레이션-실현(sim-to-real) 격차를 야기한다. 본 연구는 Robust Tube MPC에서 영감을 받아, 제어 관점에서 이러한 문제를 해결하는 새로운 제어 프레임워크를 제안한다. 이 프레임워크는 DNN이 원천 도메인(source domain)과 동일한 환경에서 동작하도록 보장함으로써, 방대한 데이터 수집 효율로 시뮬레이션-실현 격차를 완화한다. 또한 입력 정련 거버너(input refinement governor)를 도입하여 모델 파라미터의 변동에 적응하지 못하는 DNN의 한계를 보완함으로써, 파라미터가 변화하는 조건에서도 MPC 제약을 보다 견고하게 만족하도록 한다. 제안한 프레임워크는 두 가지 사례 연구를 통해 검증되었는데, 이는 카트-폴(cart-pole) 제어와 차량 충돌 회피(vehicle collision avoidance) 제어이며, 제안 프레임워크의 원리를 상세히 분석하고 차량 제어 사례에 대한 적용 가능성을 입증하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.