학습 기반 에이전트 MPC로 차량이 미지의 제어기를 실시간으로 조율하다 (2026)

차량 제어기가 차량에 어떤 영향을 미치는지 항상 공개하는 것은 아니다. 이 때문에 모델 예측 제어(MPC)는 사각지대에 놓일 수 있다. 제안된 학습 기반 에이전트 MPC(LAMPC)는 실시간 데이터에서 각 미지 제어기의 기여를 학습하고, 예측 평균을 차량 모델에 반영한다. 또한 불확실성을 고려한 안전 제약을 적용해 추적 성능을 높이면서도 플러그 앤 플레이 방식의 다중 제어기 구조를 유지한다.

연구진은 무엇을 개발했나?

연구진은 에이전트 기반 모델 예측 제어와 머신러닝을 결합한 차량용 하이브리드 제어기 LAMPC를 개발했다. 이 시스템은 여러 메커니즘이 동시에 차량의 움직임에 영향을 미치는 통합 차량 제어를 대상으로 한다. 차동 제동, 능동 전륜 조향, 바퀴 사이의 구동 토크를 조절하는 토크 벡터링 등이 그 예다.

기존 에이전트 기반 MPC에서는 각 제어 모듈을 명확한 임무와 수학적 모델을 갖춘 ‘에이전트’로 표현한다. 에이전트들은 정보를 공유하고 명령을 조율하므로, 전체 시스템은 중앙집중식 제어기처럼 작동하면서도 모듈형 플러그 앤 플레이 구조를 유지할 수 있다. 차량 구성이 바뀌거나 특정 제어 장치를 사용할 수 없게 된 경우에 유용한 방식이다.

문제는 일부 모듈이 블랙박스라는 점이다. 외부 업체의 제어기는 입력 및 출력 신호는 제공하더라도 내부 알고리즘이나 차량 동역학을 어떻게 변화시키는지는 공개하지 않을 수 있다. LAMPC는 측정된 차량 상태와 제어기 입력으로부터 이러한 숨은 기여를 추정하는 학습 모듈을 추가한다.

학습 구성요소에는 가우시안 프로세스 회귀(GPR)가 사용된다. GPR은 예측값과 함께 불확실성의 정도도 추정하는 통계 모델이다. 예측된 기여는 MPC가 사용하는 차량 모델을 개선하고, 불확실성은 안전 제약의 입력으로 활용된다. 따라서 학습 모델의 신뢰도가 낮은 상황에서는 제어기가 더욱 보수적으로 대응할 수 있다.

핵심 결과는 무엇인가?

연구 결과에 따르면, 숨은 제어기 기여를 충분히 신뢰성 있게 학습했을 때 LAMPC는 기존 에이전트 기반 MPC보다 추적 성능이 향상된다. 추적 성능은 차량이 목표 경로, 속도 또는 운동 상태를 얼마나 정확히 따라가는지를 의미한다. 미지 에이전트 때문에 발생하는 예측 오차를 보정하기 때문에, 불완전한 모델에 의존해 MPC를 작동시키는 것보다 성능이 좋아진다.

평가는 수학적 검증에만 의존하지 않고 시뮬레이션과 실제 실험을 모두 포함한다. 연구진은 이 시험에서 네 가지 주요 이점을 제시한다. 향상된 추적 성능, 확률적 안전 보호, 실시간 작동, 유연한 에이전트 구성이다.

안전성 결과는 중요하지만 신중하게 해석할 필요가 있다. LAMPC는 차량 제약을 위반할 확률을 제한하는 확률적 기회 제약을 사용한다. 이 방식이 모든 조건에서 위반을 불가능하게 만드는 것은 아니다. 대신 제한된 신뢰도를 관리하고, 작지만 명시적인 위반 확률과 최적화 문제의 실행 가능성 사이에서 절충할 수 있도록 한다.

연구에서는 LAMPC를 기존 AMPC와도 비교한다. 그 결과 학습의 효과는 데이터가 미지의 동작을 얼마나 잘 설명하는지에 크게 좌우되는 것으로 나타났다. 연구진은 학습을 제어 이론의 대체재로 보지 않는다. 머신러닝은 부족한 모델 정보를 제공하고, MPC는 계속해서 제약을 고려한 제어 입력을 선택한다.

학습 기반 에이전트 MPC는 어떻게 작동하나?

LAMPC는 학습과 제어를 반복하는 순환 구조로 작동한다.

먼저 차량 운행 중 이미 이용할 수 있는 신호로 학습 데이터를 구성한다. 새로운 데이터는 직전 시점의 입력과 출력으로 한 쌍을 이룬다. 입력에는 측정된 차량 상태나 모델링 과정에서 선택한 신호가 포함될 수 있다. 출력은 알려진 차량 모델만으로는 설명할 수 없는 미지의 기여를 나타낸다.

두 번째로 데이터 관리 계층은 학습 데이터셋이 불필요하게 커지거나 중복되는 것을 막는다. 새 데이터와 기존 데이터 사이의 유클리드 거리를 계산해 새로운 점을 평가한다. 새 점이 기존 점과 충분히 다르고 저장 공간이 남아 있으면 데이터셋에 추가한다. 데이터셋이 가득 찬 경우에는 기존의 멀리 떨어진 점을 새 점으로 교체할 수 있다. 기존 샘플과 가까운 점이라도 출력 오차가 크다면 해당 샘플을 교체할 수 있다. 중요한 새로운 정보를 담고 있기 때문이다.

세 번째로 GPR은 관리된 데이터셋을 사용해 MPC 예측 구간 전체에서 미지의 기여를 예측한다. 하이퍼파라미터 학습은 오프라인에서 수행할 수 있고, 예측은 온라인으로 실행된다. 시스템은 다음 두 가지 출력을 생성한다.

예측 평균: 미지 제어기의 영향을 추정한 값으로, 알려진 차량 모델에 더해진다.
예측 분산: 불확실성의 추정치로, 안전 여유를 넓히거나 줄이는 데 사용된다.

이후 MPC는 제어 가능한 모든 에이전트의 명령을 최적화한다. 차량 동역학, 목표 추적 성능, 액추에이터 한계, 안전 제약을 함께 고려한다. 예측 구간을 따라 예측 불확실성이 달라지므로, 학습 모델의 신뢰도가 낮은 미래 구간에서는 제어기가 더욱 보수적으로 작동할 수 있다.

이 수식화에는 불확실성 전파 과정의 피드백도 반영된다. 제어기는 예측 오차를 순수한 개루프 외란으로 취급하는 대신, 불확실성을 미래로 전파할 때 보정 피드백을 고려한다. 여기에 소프트 기회 제약을 결합하면 최적화 문제를 실행 가능한 상태로 유지할 가능성이 높아진다. 절대 완화할 수 없는 하드 제약은 불확실성이 커졌을 때 제어기가 어떤 명령도 내리지 못하게 만들 수 있지만, 소프트 제약은 통제된 절충을 허용한다.

이 구조는 에이전트 기반 MPC의 유연한 토폴로지를 그대로 유지한다. 에이전트는 여러 방식으로 연결할 수 있고, 학습 계층은 내부 모델을 사용할 수 없는 에이전트의 누락된 동작을 보완한다.

학습 기반 에이전트 MPC가 로보틱스에 중요한 이유는 무엇인가?

로봇 시스템은 서로 다른 공급업체, 세대, 소프트웨어 스택에서 나온 제어기를 점점 더 많이 결합하고 있다. 이동 로봇은 업체가 제공한 구동계 제어기와 현장에서 개발한 궤적 추적기를 함께 사용할 수 있고, 자율주행차는 제동, 조향, 토크, 안정성 제어 시스템을 결합할 수 있다. 이러한 모듈을 완전히 모델링할 수 없다면 중앙집중식 최적화기는 예측 정확도를 잃는다.

LAMPC는 실용적인 절충안을 제시한다. 모든 제어기를 공개하거나 역설계하거나 교체할 필요가 없다. 대신 제어기가 관측 가능한 방식으로 미치는 영향을 학습하고, 안전이 중요한 의사결정 계층은 MPC 내부에 유지한다. 공급업체가 독점 알고리즘을 보호하거나 기존 모듈을 수정할 수 없는 환경에서 매력적인 분리 방식이다.

데이터 관리 전략은 또 다른 일반적인 배치 문제도 해결한다. 온라인 학습에서는 중복 측정값이 대량으로 생성될 수 있다. 데이터 밀도를 조절하면 새로운 운용 조건을 대표하는 샘플을 유지하면서 GPR 추론에 필요한 계산량을 줄일 수 있다. 처리 능력이 제한된 임베디드 시스템에서는 특히 중요한 요소다.

이와 같은 설계 원칙은 차량을 넘어 적용될 수 있다. 중고 산업용 로봇을 평가하는 로보틱스 통합업체는 서로 다른 하드웨어, 애프터마켓 제어기, 불완전한 문서에 자주 직면한다. 학습 기반 조율 계층은 이러한 시스템이 미지의 액추에이터나 도구 동작에 적응하도록 도울 수 있다. 다만 차량에서 얻은 결과가 공장용 로봇의 성능까지 자동으로 보장하는 것은 아니다.

한계와 남은 과제는 무엇인가?

LAMPC는 운용 중 유용한 데이터가 지속적으로 들어온다는 전제에 의존한다. 입력을 잘못 선택하거나, 운용 조건의 범위가 제한적이거나, 센서 잡음이 크거나, 미지 제어기의 동작이 변하면 예측 품질이 떨어질 수 있다. 따라서 학습이 신뢰할 만한 수준에 도달하기 전까지는 안전한 초기 운용 영역이 필요하다.

또한 GPR은 학습 데이터셋이 커질수록 계산 비용이 증가하므로, 부분집합 선택은 선택 사항이 아니라 필수 요소가 된다. 제안된 데이터 관리 규칙은 비용을 제어하지만, 동시에 정보를 버리기도 한다. 이 과정에서 나중에 중요해질 수 있는 희귀한 운용 사례가 제거될 가능성도 있다.

기회 제약은 절대적인 안전 보장이 아니라 확률적 보호를 제공한다. 효과는 예측 분산이 실제 불확실성을 얼마나 정확히 나타내는지에 달려 있다. 이 연구는 차량 제어에 초점을 맞추고 있으므로, 향후 연구에서는 액추에이터 고장, 블랙박스 제어기의 갑작스러운 변화, 장기적인 분포 변화, 인증 요건에 대한 대응력을 검증해야 한다.