이 연구는 모델 예측 제어(Model Predictive Control, MPC)와 관련된 계산 복잡성을 완화하기 위해 심층 신경망(DNN)을 적용함을 보여준다. MPC의 실질적 도입을 저해해 온 계산 복잡성이라는 장벽을 극복하고자 하는 것이다. 이러한 과제는 특히 자율주행 차량의 응용에서 중요하며, 특정 수의 시스템 제약을 강제하면서 다수의 목표를 달성하는 것이 필수적이다. 먼저 적응형 순항 제어(Adaptive Cruise Control, ACC) 문제에 맞춘 제어 알고리즘을 재검토하고 설계한다. 개발된 알고리즘은 각기 다른 제어 모드, 즉 속도 제어와 공간 제어를 각각 다루는 두 가지 상이한 암시적 MPC로 구성된다. 알고리즘 합성 과정에 다중 제어 목표와 제약을 통합하여 만족스러운 제어 성능을 보장한다. 또한 MPC의 계산 비용을 감소시키기 위해 심층 신경망을 활용한 지도 학습을 채택함으로써 MPC를 실제 사용에 보다 접근 가능하게 만든다. 시뮬레이션 결과는 DNN 기반 근사 정책이 상태 추정 및 제약 만족도 측면에서 최적화 문제 전용 최신 솔버들과 비교하여 제어 성능을 동일하게 달성할 수 있음을 확인시켜 준다. 특히 근사 정책의 실행 시간은 암시적 MPC에 비해 약 한 자릿수(orders of magnitude) 정도 더 짧은 반면, 메모리 사용량은 그에 비해 현저히 낮아, 뚜렷한 장점을 강조한다.

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