분산·국지형 모델 예측 제어를 위한 시스템 레벨 합성

본 논문은 대규모 구조화된 선형 시스템에 대해, 지역적인 정보 교환만으로 구현 가능한 분산·국지형 모델 예측 제어(DLMPC) 알고리즘을 제안한다. 서론에서는 기존의 분산 MPC(DMPC) 연구가 주로 개방형(open‑loop) 정책에 머물러 있거나, 협조적 접근에서도 전역 변수 교환이 필요해 확장성이 제한된다는 점을 지적한다. 특히, 구조화된 피드백 정책을 볼록 최적화로 설계하면서도, 그 설계 과정을 분산화하는 방법이 부재함을 문제점으로 제시한다. 문제 정의에서는 시스템을 N개의 서브시스템으로 분할하고, 그래프 G(A,B)로 물리적·통신 토폴로지를 모델링한다. d‑local 정보 교환 제약을 도입해, 서브컨트롤러 i는 d‑hop 이웃의 상태·입력·모델 정보만을 사용해 제어 정책 γᵢ,t 를 계산하도록 정의한다. 이는 기존 DMPC의 비협조적 설정과 달리, 명시적인 지역성 제한을 수학적으로 표현한다. 핵심 기법인 시스템 레벨 합성(SLS)은 폐루프 시스템 응답 Φₓ, Φᵤ 를 직접 설계 변수로 두고, 시스템 방정식과 인과성(causality) 제약을 선형 등식으로 표현한다. 이때 Φₓ와 Φᵤ 에 d‑local sparsity 제약을 부과하면, 응답 자체가 지역성 조건을 만족하게 된다. SLS는 또한 비용 함수와 제약을 Φₓ, Φᵤ 에 대한 함수로 변환함으로써, 전통적인 K‑based 설계보다 구조적 제약을 더 자연스럽게 포함시킬 수 있다. 이러한 SLS 기반 문제는 전역적으로는 큰 규모의 볼록 최적화가 되지만, 변수의 sparsity와 비용·제약의 분리 가능성(separability)을 이용해 ADMM 기반 분산 알고리즘으로 분해한다. 구체적으로, 각 서브시스템은 (1) 자신의 로컬 변수와 복제 변수를 정의하고, (2) 로컬 QP(또는 SOCP)를 풀어 Φₓ, Φᵤ 의 지역 부분을 업데이트한다. (3) 인접 서브시스템과 복제 변수에 대한 합의(consensus) 제약을 라그랑주 승수와 함께 ADMM 업데이트로 조정한다. 이 과정은 모든 서브시스템이 동시에 수행되며, 통신은 d‑hop 이웃 간에만 이루어진다. 알고리즘의 수렴성은 표준 ADMM 이론에 의해 보장되며, 지역성 제약이 만족되는 경우 전역 최적해와 동일한 해에 수렴한다. 또한, 비용·제약이 이웃 간 상호작용을 포함하더라도, 추가적인 합의 변수와 라그랑주 승수를 도입해 동일한 ADMM 프레임워크 내에서 처리할 수 있다. 수치 실험에서는 체인 토폴로지를 가진 200, 500, 1000개의 서브시스템에 대해 시뮬레이션을 수행하였다. 각 서브시스템이 해결하는 서브문제의 변수 수는 d와 서브시스템 차원에만 의존하고, 전체 시스템 규모와는 무관했다. 실행 시간은 중앙집중형 MPC 대비 5~12배 빠르며, 제어 성능(목표 비용)은 거의 동일하거나 약간 개선되었다. 특히, d를 증가시켜 이웃 범위를 넓히면 성능 향상이 있지만, 계산 복잡도는 여전히 O(1) 수준을 유지한다는 점을 확인하였다. 논문의 주요 기여는 다음과 같다. (1) SLS를 이용해 폐루프 응답에 직접 지역성 제약을 부여함으로써, 구조화된 피드백 정책을 볼록 최적화로 설계한다. (2) ADMM 기반 분산 알고리즘을 통해 각 서브시스템이 이웃만을 사용해 로컬 최적화를 수행하도록 하여, 계산 복잡도가 시스템 규모에 독립적이다. (3) 이웃 간 상호작용이 있는 비용·제약도 합의 메커니즘을 통해 처리할 수 있음을 보인다. (4) 대규모 시뮬레이션을 통해 실용성을 검증한다. 한계점으로는 선형·시간불변 시스템에만 적용 가능하고, 통신 토폴로지가 물리 토폴로지와 일치한다는 가정이 있다. 또한, 지역성 파라미터 d가 충분히 커야 전역 최적해에 근접하지만, d가 커질수록 통신 오버헤드가 증가한다. 향후 연구에서는 비선형·시변 시스템에 대한 SLS 확장, 비정형 통신 지연·패킷 손실에 대한 견고성 강화, 그리고 실시간 구현을 위한 하드웨어 가속기 적용 등을 제안한다.