적응제어 (Adaptive Control)
쉽게 풀면
PID 제어기 같은 일반적인 제어기는 처음 설계할 때 대상의 특성(질량, 마찰, 지연 등)을 미리 파악해서 이득값을 고정해 놓고 사용합니다. 그런데 비행기가 연료를 소모하며 가벼워지거나, 로봇팔이 무거운 짐을 들었다 놓았다 하는 것처럼 제어 대상 자체의 특성이 계속 바뀌는 경우에는 고정된 이득값만으로는 성능이 나빠질 수 있습니다. 적응제어는 이런 상황에서 제어기가 대상의 반응을 계속 관찰하며 "지금은 이렇게 반응하는구나"를 실시간으로 추정하고, 그 추정치에 맞춰 자신의 제어 이득을 스스로 다시 조정합니다. 즉 한 번 설계하고 끝나는 제어기가 아니라, 상황에 맞춰 스스로 튜닝을 계속하는 제어기라고 이해하면 됩니다.
왜 중요한가
실제 시스템은 설계 당시 가정한 모델과 완전히 일치하지 않는 경우가 많고, 운용 중 마모나 하중 변화, 환경 변화로 특성이 계속 달라지기도 합니다. 적응제어는 이런 불확실성과 시변성을 다루는 대표적인 접근이라 로보틱스, 항공우주, 자율주행처럼 대상의 동역학이 크게 변하는 분야의 논문에서 꾸준히 등장합니다. 또한 강건제어와 함께 불확실성 대응 제어 이론의 두 축을 이루기 때문에, 두 접근을 비교하거나 결합하는 연구도 많이 나옵니다.
논문에서는 이렇게 쓰입니다
미리 정해 둔 이상적인 응답 모델을 기준으로 삼아 제어기가 실시간으로 자신을 조정함으로써, 대상의 무게가 크게 바뀌어도 목표값을 잘 따라갔다는 의미입니다.
도로 상태처럼 사전에 알기 어려운 파라미터를 주행 중 실시간으로 추정하며 제어기를 조정해, 조건이 바뀌어도 안정적인 성능을 냈다는 뜻입니다.
적응제어를 다른 제어 기법(슬라이딩 모드 제어)과 결합해 불확실한 파라미터를 추정하면서 동시에 강인한 제어 성능도 함께 확보했다는 의미입니다.
조금 더 깊게 보면
적응제어 논문에서는 파라미터를 어떻게 실시간으로 추정하는지가 핵심이며, 대표적으로 모델기준 적응제어(MRAC)와 자기동조 제어(self-tuning control) 계열로 나뉩니다. 안정성을 보이기 위해서는 리아프노프(Lyapunov) 안정성 이론을 이용해 파라미터 추정 오차와 추종 오차가 함께 유계로 유지되거나 수렴함을 증명하는 경우가 많습니다. 또한 신경망이나 퍼지 로직을 결합해 비선형성이 큰 시스템의 불확실한 부분을 근사하는 적응 기법도 자주 쓰이며, 이 경우 근사 오차와 추정치 수렴 속도가 함께 논의됩니다.
주의할 점
적응제어는 파라미터가 알려지지 않았거나 변하는 시스템에 유용하지만, 파라미터 추정과 이득 조정이 동시에 이루어지는 구조라 일반 PID보다 설계와 안정성 분석이 훨씬 복잡합니다. 추정 과정 자체가 불안정해지면 오히려 시스템 전체가 강건제어 없이는 발산할 수 있어, 실제 적용 전에는 안정성 여유를 충분히 검토해야 합니다.