[MPC책 공부 - 13] 2장 - 최적 제어의 해는 언제 존재하는가?

Created on April 01, 2025 , last updated on October 14, 2026

2025   ·   MPC   optimal-control   ·   공부   mpc

본 게시글은 최적제어의 해가 존재하는 조건은 무엇인지, 그렇다면, 해가 집합일 경우 어떻게 처리되는지에 대한 내용을 다루고 있다. 해당 최적제어는 연속이라는 가정에서 출발한다.

Assumption 2.2: 시스템과 비용의 연속성

다음 함수들은 모두 연속이라고 가정한다.

  • 시스템 동역학 $f(x, u)$
  • 단계 비용 함수 $\ell(x, u)$
  • 종료 비용 함수 $V_f(x)$

또한 모두 원점에서 0의 값을 갖는다.

\[\begin{aligned} f(0, 0) &= 0 \\ \ell(0, 0) &= 0 \\ V_f(0) &= 0 \end{aligned}\]

Assumption 2.3: 제약 집합의 성질

제약 없는 경우를 위한 정의

실제 대다수의 경우는 , 제어 입력에 제약이 존재하지만, 제약이 있는 경우와 제약이 없는 경우를 구분에서 다루기 위해, 추가적으로 제약집합을 사용한다. 이는 제약이 없을 경우에도 상태 집합을 수학적으로 정의하기 위해 사용된다.

  • 비용이 어떤 값 $c$ 이하인 제어 시퀀스 집합
\[\mathcal{U}_N^{c}(x) := { u \mid V_N(x, u) \le c }\]
  • 이때 문제의 해가 존재하는 상태 집합
\[\mathcal{X}_N^{c} := { x \mid \mathcal{U}_N^{c}(x) \ne \emptyset }\]

제약 집합의 성질(가정)

  • 상태-입력 제약 집합 $Z$는 닫힌 집합(closed set)이다.
  • 제어 제약이 있다면, $\mathcal{U}(x)$는 모든 x에서 compact이고, bounded된 상태 $X$에서 uniform하다.
  • 종료 집합 $X_f \subseteq X$는 compact하다.
  • 모든 집합은 원점 $(0, 0)$을 포함한다.
  • 제약이 없을 경우, 비용 함수 $V_N(x, u)$는 coercive이다. 즉, $\lvert u \rvert \to \infty$일 때 $V_N(x, u) \to \infty$

Proposition 2.4: 최적 제어 해의 존재성

Assumptions 2.2, 2.3을 만족하면 다음이 성립한다.

(a) $V_N(x, u)$는 $(x, u)$에 대해 연속이다.

이는 $\ell$, $V_f$가 연속이고, 시스템 해 $\phi(k, x, u)$도 연속이기 때문에 성립한다.

(b) 제약 집합 $\mathcal{U}_N(x)$ 또는 제약이없는 집합$\mathcal{U}_N^{c}(x)$은 compact하다.

가정2.3에서 이야기한바와 같다.

(c) Weierstrass 정리에 따라 최적 해가 항상 존재한다.

결론이 가장 중요하다.

가정 2.3, 2.3을 만족하면 우리는 최적해가 항상 존재함을 알 수 있다.

최적 제어 해와 MPC 제어 법칙

주어진 현재 상태 $x$에 대해, MPC는 다음 최적화 문제를 푼다

\[u^0(x) := \arg\min_{u \in \mathcal{U}_N(x)} V_N(x, u)\]

여기서

  • $V_N(x, u) = \sum_{k=0}^{N-1} \ell(x(k), u(k)) + V_f(x(N))$
  • $\mathcal{U}_N(x)$는 상태와 입력이 제약을 만족하도록 하는 유효한 제어 시퀀스의 집합
  • $u$는 제어 시퀀스 전체를 의미하고, 해 $u^0(x)$도 역시 전체 시퀀스를 의미
  • $u^0(x) = \left( u^0(0; x),\ u^0(1; x),\ \dots,\ u^0(N-1; x) \right)$
  • 최적 제어 시퀀스 $u^0(x)$를 계산하지만, 실제 시스템에 적용하는 것은 그 중 첫 번째 입력이다.

즉,

\[\kappa_N(x) := u^0(0; x)\]

이것이 실제 로봇이나 시스템에 적용되는 제어 입력이다. 나머지 제어 입력은 사용하지 않고, 다음 시간 스텝에서 상태를 새로 측정한 후, 문제를 다시 풀어 새로운 입력을 얻는다.

이 과정을 함수처럼 표현하면, 다음과 같이 쓸 수 있다:

\[\kappa_N : x \mapsto u^0(0; x)\]

즉, 상태 $x$가 주어졌을 때, MPC는 해당 상태에서 문제 $P_N(x)$를 풀고, 첫 번째 입력을 반환하는 함수로 작동한다. 이 함수 $\kappa_N(x)$가 바로 MPC 제어 법칙(control law)이다.

단, 이 함수는 정의역이 제한되어 있다. 제약을 만족하며 문제의 해가 존재하는 상태 $x$들로 구성된 집합

\[x \in X_N := { x \in \mathbb{R}^n \mid \mathcal{U}_N(x) \ne \emptyset }\]

해가 유일한 경우 vs 유일하지 않은 경우

  • 해가 유일한 경우:
    • $u^0(x)$는 단일 벡터로 정의됨
    • 제어 법칙 $\kappa_N(x) = u^0(0; x)$도 일반적인 함수 형태
  • 해가 유일하지 않은 경우:
    • 최적 입력 시퀀스 $u^0(x)$가 여러 개 존재할 수 있음 (즉, argmin이 여러 개)

    • 이때 제어 법칙은 집합 값을 갖는 함수 (set-valued function)이 됨:

    • \[\kappa_N(x) := { u^0(0) \mid u^0 \text{ is an optimal solution to } P_N(x) }\]
    • 이 경우 MPC는 그 집합에서 하나의 요소를 선택하여 적용한다. 이 선택은 문제 설계나 구현 방식에 따라 달라질 수 있다.