Model Predictive Control (MPC)

모델 예측 제어(MPC)는 시스템이 향후 몇 순간 동안 어떻게 반응할지 예측하고, 가장 적절한 행동 순서를 선택한 다음, 첫 번째 행동만 수행하는 방식으로 행동을 선택하는 방법입니다. 그런 다음 실제로 발생한 일을 측정하고 다시 계획을 세웁니다. 회전 구역에 접근하는 창고 로봇을 생각해 보세요. 현재 위치만을 기준으로 조향하는 대신, 다양한 조향 선택이 로봇을 어디에 위치시키는지, 그리고 그러한 경로가 근처 선반을 피해 가는지 고려합니다.

MPC는 어떻게 작동하나요?#

MPC 제어기에는 로봇의 위치 및 속도와 같은 상태(state); 행동이 해당 상태를 어떻게 변화시키는지 예측하는 동역학 모델(dynamics model); 그리고 좋은 결과를 설명하는 **목적 함수(objective)**가 필요합니다. 최적화 과정은 급격한 조향에 페널티를 주면서 목적지에 도달하는 것을 선호할 수 있습니다. **제약 조건(constraints)**은 모터의 속도 한계를 초과하거나 점유된 공간에 진입하는 것과 같이 허용할 수 없는 행동을 배제하거나 억제합니다.

각 제어 주기마다 MPC는 예측 지평선(prediction horizon) 전반에 걸쳐 후보 행동의 결과를 예측합니다. 가장 낮은 전체 비용을 가진 시퀀스를 선택하고, 첫 번째 행동을 적용한 후, 업데이트된 측정값으로 이를 반복합니다. 이 반복적인 재계획 과정을 **후퇴 지평선 제어(receding-horizon control)**라고 부릅니다. MathWorks introduction to MPC는 이 피드백 루프를 보여주며, guide to sample time and horizons는 더 멀리 내다보는 것이 예측 능력을 향상시키지만 연산량을 증가시키는 이유를 설명합니다.

단 하나의 보편적인 “MPC 공식” 같은 것은 없습니다. 알기 쉽게 말하자면, 제어기는 모델과 제약 조건에 따라 예측된 목표 추적 오차와 행동 비용의 합을 지평선 전체에 걸쳐 최소화합니다. do-mpc explanation of MPC는 또한 이 개념이 단순한 선형 모델로는 적절히 표현될 수 없는 비선형 시스템으로 어떻게 확장되는지 보여줍니다.

모델과 측정값은 어떤 역할을 하나요?#

동역학 모델은 반드시 이미지가 아니라 결과를 예측합니다. 바퀴 속도가 변할 때 로봇의 위치가 어떻게 바뀌는지, 또는 방의 온도가 난방과 실외 날씨에 어떻게 반응하는지 추정할 수 있습니다. 그 파라미터는 물리적 지식, 측정된 데이터 또는 predictive modeling에서 올 수 있습니다. 모델을 학습한다고 해서 운영 환경에서 예측이 정확하게 유지되는지 테스트할 필요성이 없어지는 것은 아닙니다.

측정값은 계획을 보정합니다. 카메라는 장애물을 드러낼 수 있지만, 이미지 감지가 곧바로 사용 가능한 물리적 위치를 의미하는 것은 아닙니다. 제어기는 관측값과 모션 기록을 결합하기 위해 카메라 캘리브레이션, 거리 정보, 그리고 **상태 추정기(state estimator)**가 필요할 수 있습니다. Kalman filter는 가능한 추정기 중 하나이며, MathWorks guide to controller state estimation은 MPC가 직접 측정할 수 없는 상태를 자주 추정하는 이유를 설명합니다. 재계획은 불완전한 예측에 도움이 되지만, 지연되거나 신뢰할 수 없는 관측값 그 자체를 안전하게 만들 수는 없습니다.

MPC는 어디에 적용되나요?#

• 창고 로봇 내비게이션: 모바일 로봇은 작업자와 선반 주변의 짧은 경로를 계획하기 위해 카메라 관측값과 자체 모션 추정치를 사용합니다. MPC 제어기는 이동 시간 목표 및 모션 제한에 대해 조향 및 속도 시퀀스를 비교한 다음, 사람들이 이동함에 따라 선택을 수정할 수 있습니다. Nav2 predictive controller documentation은 예측된 궤적을 평가하는 실용적인 로보틱스 예시를 제공합니다.
• 건물 공조 제어: 건물 제어기는 향후 몇 시간 동안 난방 또는 냉방 결정이 실내 온도에 어떤 영향을 미칠지 예측할 수 있습니다. 점유 추정치와 일기 예보는 에너지 사용량과 쾌적성 한계를 균형 있게 유지하면서 수요에 대비할 수 있도록 돕습니다. US Department of Energy’s building sensors and controls overview는 머신러닝과 예측 제어의 이러한 결합을 설명합니다.

두 경우 모두 이점은 예측 그 자체에만 있지 않습니다. MPC는 예측을 사용하여 운영 한계 내에서 행동을 선택한 다음, 다음 관측값과 계획을 비교하여 확인합니다.

MPC는 관련 개념들과 어떻게 다른가요?#

world model은 환경이 어떻게 진화할 수 있는지를 나타내며, MPC는 동역학 모델을 사용하여 가능한 행동을 비교하는 **제어 절차(control procedure)**입니다. Reinforcement learning은 일반적으로 경험을 통해 행동하는 법을 학습하는 반면, MPC는 작동 중에 미래 지향적인 계획 문제를 명시적으로 해결합니다. 두 가지는 결합될 수 있으며, 학습된 모델이 MPC의 예측을 제공할 수 있습니다.

마찬가지로, object tracking은 프레임 전반에서 객체가 어디에 있는지 추정할 뿐 조향 명령을 선택하지 않습니다. 추정은 MPC에 관측값을 제공할 수 있지만, 제어기는 여전히 모션 모델, 목적 함수, 제약 조건, 그리고 최적화 방법을 필요로 합니다. MathWorks constraint guide는 페널티가 부과되는 위반을 허용하는 소프트 제약 조건과 엄격한 한계를 구분합니다.

컴퓨터 비전은 MPC 파이프라인을 어떻게 지원할 수 있나요?#

Ultralytics YOLO26은 object detection을 통해 인지 입력을 제공할 수 있습니다. 이 문서화된 추론 워크플로어는 하나의 이미지에 대한 바운딩 박스를 반환합니다:

from ultralytics import YOLO

# Load a pretrained detection model.
model = YOLO("yolo26n.pt")

# Observe objects in the current image.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Inspect image-space locations available to a perception pipeline.
print(result.boxes.xyxy)

출력은 거리, 속도 또는 제어 명령이 아니라 이미지 공간에서의 박스 좌표를 제공합니다. 움직이는 장면의 경우, YOLO tracking mode는 객체 아이덴티티를 유지하는 데 도움을 줄 수 있으며, depth estimation은 거리 추정치를 제공할 수 있습니다. 별도의 추정 및 MPC 시스템은 적절한 관측값을 상태로 바꾸고, 행동 결과를 예측하고, 제약된 최적화를 해결하고, 하드웨어에 명령을 내려야 합니다.

배포하기 전에 전체 인지-동작 루프가 제어 주기 내에 완료되는지 테스트하세요. 감지 누락, 모델 불일치, 그리고 제약 조건으로 인해 계획을 실행 불가능하게 만드는 사례들을 평가하고, 옵티마이저가 항상 안전한 명령을 반환할 것이라고 가정하는 대신 명확히 정의된 대체(fallback) 동작을 설정하세요.