LQR 제어(선형이차조절기) (Linear Quadratic Regulator (LQR) Control)
쉽게 풀면
제어기를 설계할 때 "목표에 얼마나 빨리 도달하는가"와 "얼마나 큰 힘(에너지)을 쓰는가" 사이에는 트레이드오프가 있는데, LQR은 이 두 가지에 각각 가중치를 매긴 비용함수를 세우고 이를 수학적으로 최소화하는 최적의 제어 방식을 자동으로 계산해준다. PID처럼 경험적으로 이득값을 조정하는 대신, 시스템 모델과 원하는 성능 가중치만 정해주면 최적의 제어 이득이 수학적으로 도출된다는 점이 특징이다. 다만 시스템의 모든 상태 변수를 측정하거나 추정할 수 있어야 적용할 수 있어, 실제로는 칼만 필터와 함께 쓰이는 경우가 많다. 로봇 자세제어, 위성 자세제어, 항공기 비행제어 등 다변수 시스템의 최적 제어에 널리 활용된다.
왜 중요한가
LQR은 경험적 튜닝에 의존하는 PID 제어기 튜닝와 달리 수학적으로 최적성이 보장된 제어 이득을 도출할 수 있어, 다변수 시스템을 다루는 제어공학 논문에서 성능 비교의 기준점으로 자주 활용됩니다. 로봇, 항공우주, 자율주행 등 여러 상태 변수를 동시에 고려해야 하는 시스템에서는 각 변수 간의 트레이드오프를 체계적으로 반영할 수 있다는 점이 큰 장점으로 꼽힙니다. 또한 LQR의 이론적 틀은 이후 등장한 여러 최적제어 및 강화학습 기반 제어 기법의 이론적 출발점으로도 자주 인용됩니다.
논문에서는 이렇게 쓰입니다
비용함수를 최소화하는 방식으로 제어 이득을 수학적으로 계산하고, 그 결과 시스템이 안정적으로 동작함을 확인했다는 뜻이다.
드론과 같은 비행체의 자세를 안정적으로 유지하기 위해 LQR로 제어기를 설계하고, 바람 등의 외부 교란이 있을 때도 잘 버티는지를 확인했다는 뜻입니다.
LQR은 원래 선형 시스템을 위한 기법이므로, 비선형 시스템에 적용할 때는 특정 동작점 주변에서 선형 근사를 먼저 수행한 뒤 LQR을 적용하는 절차가 흔히 쓰인다는 것을 보여주는 예문입니다.
조금 더 깊게 보면
LQR의 핵심은 이차형 비용함수에서 상태에 대한 가중치 행렬(Q)과 입력에 대한 가중치 행렬(R)을 어떻게 설정하느냐이며, 이 두 행렬을 바탕으로 리카티 방정식(Riccati equation)이라는 대수 방정식을 풀어 최적 제어 이득을 구합니다. Q와 R의 상대적 크기를 조정하는 것이 실질적인 튜닝 과정에 해당하며, 이는 PID의 게인 조정과 비슷한 역할을 합니다. 또한 LQR은 모든 상태 변수를 직접 측정할 수 있다는 전제를 깔고 있어서, 실제 시스템에서는 측정되지 않는 상태를 추정하는 칼만 필터와 결합한 LQG(선형이차가우시안) 형태로 확장해 쓰는 경우가 많습니다.
주의할 점
비용함수의 가중치 설정은 설계자의 주관에 따라 달라지며, 이 값에 따라 제어 성능(반응 속도 대 에너지 소모)이 크게 달라진다.