엑스플레인러블 AI로 무장한 NMPC: 데이터 기반의 설명 가능하고 근사적인 NMPC, ExAMPC

본 논문은 비선형 모델 예측 제어(NMPC)의 계산 복잡성 및 예측 불가능성 문제를 해결하기 위해 데이터 기반 설명 가능한 AI(XAI)를 활용한 새로운 방법론인 ExAMPC를 제시합니다. 스플라인 임베딩, SHAP, Symbolic Regression 등을 활용하여 NMPC의 최적화 과정에 대한 물리적 통찰력을 제공하고 예측 정확도를 높였으며, 자동 발렛 주차 및 자율 주행 경주와 같은 실제 응용 분야에서 효과를 입증했습니다.

엑스플레인러블 AI로 무장한 NMPC: 데이터 기반의 설명 가능하고 근사적인 NMPC, ExAMPC

인공지능(AI) 기반 제어 기술이 급부상하는 가운데, 기존의 모델 기반 제어 방식은 여전히 그 투명성과 결정론적 특성으로 인해 널리 사용되고 있습니다. 하지만 비선형 모델 예측 제어(NMPC)와 같은 첨단 제어기는 그 강력한 성능에도 불구하고, 복잡한 계산과 복잡한 검증 시스템에서 예측 불가능한 폐루프 성능으로 인해 실제 적용에 어려움을 겪고 있습니다.

Jean Pierre Allamaa, Panagiotis Patrinos, Tong Duy Son 등 연구진은 이러한 문제를 해결하기 위해 ExAMPC 라는 새로운 방법론을 제시했습니다. ExAMPC는 기존 제어 방식과 설명 가능한 AI(XAI)를 결합하여 NMPC의 신뢰성을 높이고, 최적화 솔루션과 폐루프 성능의 물리적 변수 및 시스템 매개변수에 대한 민감도를 명확히 밝히는 것을 목표로 합니다.

핵심은 무엇일까요?

ExAMPC는 다음과 같은 혁신적인 접근 방식을 제시합니다.

• 차원 축소: 저차원 스플라인 임베딩을 사용하여 오픈루프 궤적의 차원을 95% 이상 감소시켰습니다. 이를 통해 계산 부하를 크게 줄였습니다.
• XAI 통합: SHAP(SHapley Additive exPlanations)와 Symbolic Regression과 같은 XAI 기법을 통합하여 NMPC의 최적화 과정에 대한 직관적인 물리적 통찰력을 제공합니다. 이는 마치 블랙박스였던 NMPC의 의사결정 과정을 투명하게 만드는 것과 같습니다.
• 정확도 향상: 물리적으로 영감을 받은 연속 시간 제약 패널티를 도입하여 예측된 연속 궤적 위반을 93% 감소시켜 예측 정확도를 향상시켰습니다.
• 계산량 예측: ExAMPC는 NMPC의 계산 요구 사항을 정확하게 예측하고 최악의 시나리오에 대한 설명 가능한 통찰력을 제공합니다.

실제 적용은 어떨까요?

자동 발렛 주차 및 자율 주행 경주(랩타임 최적화 NMPC)에 대한 실험적 검증을 통해 ExAMPC의 실제 응용 분야에서의 효과를 입증했습니다. 이는 단순한 이론적 연구가 아닌, 실제 문제 해결에 기여할 수 있는 기술임을 보여줍니다.

결론적으로, ExAMPC는 AI 기반 제어 기술의 발전에 중요한 기여를 할 뿐만 아니라, 복잡한 시스템 제어에 대한 설명 가능성과 신뢰성을 높이는 데 크게 기여할 것으로 기대됩니다. 이는 AI 기술의 안전성과 신뢰성에 대한 우려를 해소하는 데 중요한 의미를 가집니다.