Data-Driven Modeling and Control Using a Koopman Autoencoder : Application to a Quadrotor

본 논문에서는 비선형 동역학을 갖는 쿼드로터의 시스템 식별 및 궤적 추종 제어를 위해 Koopman-오토 인코더 기반의 데이터 기반 모델링 및 제어 기법을 제안한다. 제안하는 방식은 Koopman 연산자 근사 성능에 큰 영향을 미치는 관측 함수를 사전에 정의해야 하는 확장 동적 모드 분해(EDMD) 방식의 한계를 극복하고자, 딥러닝 오토인코더를 이용하여 데이터로부터 직접 관측 함수와 선형 동역학 모델을 학습한다. 특히 재구성, 다단계 예측, 잠재 일관성 손실함수를 복합적으로 활용하여 장기 예측 안정성이 높은 Koopman 모델을 식별하고, 이를 기반으로 선형 모델 예측 제어기(MPC)를 설계한다. 제안한 기법의 성능을 검증하기 위해, 기존 RFF(Random Fourier Features) 기반 Koopman-EDMD 방식과 6자유도 쿼드로터 동역학 모델을 이용한 수치 시뮬레이션을 통해 예측 및 제어 성능을 비교 평가한다.