상태공간 모델링 (State-Space Modeling)
쉽게 풀면
복잡한 시스템의 움직임을 설명할 때, 그 시스템이 "지금 어떤 상태인지"를 나타내는 몇 개의 변수(상태변수)를 정의하고, 이 변수들이 시간에 따라 어떻게 변하는지를 행렬 형태의 방정식으로 표현하는 방법이 상태공간 모델링이다. 예를 들어 자동차의 상태는 위치와 속도로 나타낼 수 있고, 이 둘이 시간에 따라 어떻게 변하는지를 하나의 수식 체계로 정리하는 것이다. 이 표현 방식은 입력과 출력이 여러 개인 복잡한 다변수 시스템도 체계적으로 다룰 수 있게 해주며, 현대 제어이론(LQR, 칼만 필터, MPC 등)의 기본 언어로 사용된다. 전달함수 방식보다 시스템 내부의 물리적 의미를 더 직접적으로 반영할 수 있다는 장점이 있다.
왜 중요한가
상태공간 모델링은 제어이론뿐 아니라 로보틱스, 항공우주, 신호처리, 계량경제학 등 시간에 따라 변하는 시스템을 다루는 거의 모든 공학·과학 분야에서 공통 언어로 쓰인다. 다변수 입출력 시스템, 비선형 시스템, 확률적 시스템까지 통일된 수학적 틀로 다룰 수 있어 칼만 필터, MPC, 강화학습의 상태전이 모델 등 후속 방법론의 기반이 된다. 이 때문에 논문에서 시스템을 소개할 때 가장 먼저 상태공간 형태로 정식화하는 경우가 많다.
논문에서는 이렇게 쓰입니다
시스템의 동작을 행렬 방정식 형태로 정리한 뒤, 이를 바탕으로 측정하기 어려운 상태값을 추정하는 관측기를 설계했다는 뜻이다.
복잡한 로봇 동역학을 특정 동작점 주변에서 선형 상태공간 모델로 근사한 뒤, 이를 모델예측제어기 설계에 사용했다는 의미이다.
계량경제학에서 직접 관측되지 않는 잠재적 경제 변수를 상태변수로 두고, 관측 가능한 시계열 데이터로부터 이를 추정했다는 뜻이다.
조금 더 깊게 보면
상태공간 모델은 크게 상태방정식(state equation)과 출력방정식(observation equation)으로 구성되며, 시스템이 선형인지 비선형인지, 시간불변인지 시변인지에 따라 다루는 방법이 달라진다. 실제 논문에서는 연속시간 모델을 디지털 제어를 위해 이산시간 형태로 변환하는 이산화(discretization) 과정이 흔히 함께 등장하며, 시스템의 제어 가능성(controllability)과 관측 가능성(observability)은 관측기나 제어기 설계가 가능한지를 판단하는 핵심 기준으로 쓰인다.
주의할 점
동일한 시스템도 상태변수를 어떻게 선택하느냐에 따라 여러 형태의 상태공간 모델이 가능해 표현이 유일하지 않다는 점에 유의해야 한다.