선택적 SSM 기반 실시간 게인 적응 및 피드포워드 외란 상쇄 제어기

국문 초록 (Abstract)

고정 게인 비례–미분 제어는 구조가 단순하고 계산 비용이 낮지만, 고관성 선박의 조타 응답 지연, 시변 동역학 및 환경 외란이 변화하는 조건에서는 일정한 제어 성능을 유지하기 어렵다. 본 연구에서는 고관성 해양 시스템을 대상으로 Mamba 기반 선택적 상태공간모델을 이용한 자동 게인 튜닝 및 피드포워드 외란 보상 제어기를 제안한다. 제안 방법은 기존 제어 법칙을 직접 대체하거나 조타각 명령을 독립적으로 생성하는 구조가 아니다. 대신 최근 센서 시계열로부터 현재 선박의 응답 맥락과 외란 관련 등가값을 추정하고, 이를 기준으로 비례 게인, 미분 게인 및 제한된 피드포워드 보상값을 실시간으로 조정한다. 제안 구조는 Nomoto 게인–시간상수 응답 branch 와 3자유도 운동 branch로 구성된다. 첫 번째 branch는 조타 입력에 대한 yaw 응답과 입력 지연을 인코딩하고, 두 번째 branch는 운동 응답, 위치 오차 누적 및 drift 경향을 인코딩한다. 해양누리호 실제 응답 데이터는 대상 선박 고유의 응답 특성을 학습하는 데 사용하고, 증강 시뮬레이션 데이터는 동역학 변화, 입력 지연 및 외란 편향 조건을 반영하는 데 사용한다. 선택적 상태공간 인코더는 입력 시계열에 따라 내부 시간 상태를 갱신하며, 예측 모듈은 인코딩된 응답 맥락을 게인 보정량, 외란 관련 피드포워드 보상값 및 보정 강도로 변환한다. 시뮬레이션 결과, 제안 자동 튜닝 제어기는 외란 관련 잔차가 증가하는 구간에서는 게인과 피드포워드 보상값을 증가시키고, 외란 영향이 사라진 이후에는 이를 기준값에 가까운 수준으로 회복시켰다. 이를 통해 제안 방법이 기존 비례 – 미분 제어기의 단순한 구조를 유지하면서도, 응답 상태와 외란 추정값에 따라 제어 성능을 보정할 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

Fixed-gain proportional–derivative control is simple and computationally efficient, but its performance can degrade when vessel response delay, time-varying dynamics, and environmental disturbances change during operation. This study proposes a Mamba-based selective state space model for automatic gain tuning and feedforward disturbance compensation in high-inertia marine systems. The proposed method does not directly replace the baseline control law or generate the rudder command by itself. Instead, it estimates the current response context and an equivalent disturbance-related value from recent sensor time-series data, and uses this information to tune the proportional gain, derivativegain, and bounded feedforward compensation term in real time. The proposed structure consists of a Nomoto gain–time-constant response branch and a three-degree-of-freedom motion branch. The first branch encodes rudder–yaw response and input delay, while the second branch encodes motion response, position-error accumulation, and drift tendency. Real response data from Haeyang Nuri are used to learn target-vessel-specific response characteristics, and augmented simulation data are used to include dynamic variation, input delay, and disturbance-biased conditions. The selective state-space encoder updates its internal temporal state according to the input sequence, and the prediction
module converts the encoded response context into gain correction, disturbance-related feedforward compensation, and correction intensity. Simulation results show that the proposed automatic tuning controller increases the gains and feedforward compensation when disturbance-related residuals are detected, and returns them toward the baseline values when the disturbance effect disappears. The results demonstrate that the proposed method can improve response-based tracking behavior while preserving the simple structure of the baseline proportional–derivative controller

목차 (Table of Contents)

• I. Introduction 1
• 1. Problem Statement 1
• 2. Related Work 5
• 2.1. Autonomy Stack and Execution Control 5
• 2.2. Fixed-Gain, Gain Scheduling, and Automatic Gain Tuning 6
• 2.3. Adaptive and Predictive Control 8
• 2.4. Temporal Response Encoding for Gain Tuning 9
• 2.5. Research Gap 10
• II. Background 14
• 1. Target Vessel and Data Scope 14
• 2. Sensor Variables and Tracking Quantities 16
• 3. Yaw Response Basis for Gain and Feedforward Compensation 18
• III. Methodology 21
• 1. Tuning Scope and Input–Output Flow 22
• 2. Bounded Gain Tuning and Feedforward Compensation Design 24
• 2.1. Baseline PD Rudder Law 24
• 2.2. Gain and Feedforward Bounds 25
• 3. Hybrid Training Data Construction 26
• 3.1. Role of Real and Augmented Data 26
• 3.2. Real Response Data 27
• 3.3. Simulation-Based Dynamics Augmentation 29
• 3.4. Time-Series Sample Construction 30
• 4. Gain-Tuning-Oriented Mamba Encoder 31
• 4.1. Modification from a Generic Mamba Encoder 31
• 4.2. Branch Embedding and Feature Fusion 32
• 4.3. Selective State Update and Streaming Inference 33
• 5. Five-Head Correction Module 35
• 5.1. Role of the Five Heads 35
• 5.2. Future Error Prediction and Feedforward Residual Compensation 37
• 6. Training Strategy and Objective 38
• 6.1. Phase-Wise Training 38
• 6.2. Multi-Task Loss Function 39
• 7. Online Tuning Law and Deployment 42
• 7.1. Gain Smoothing and PD Rudder Command Reconstruction 42
• 7.2. Best-Checkpoint Deployment 43
• IV. Results 45
• 1. Internal Tuning Mechanism of the Proposed Module 46
• 1.1. Time Histories of Gain and Feedforward Corrections 47
• 1.2. Partial Response Surfaces 48
• 2. Local Frozen-Gain Interpretation 50
• 2.1. Frequency-Domain Response 51
• 2.2. Root-Locus-Based Stability Interpretation 55
• 3. Representative Scenario Results 57
• 3.1. Sustained Disturbance Response 57
• 3.2. Temporary Disturbance Onset and Recovery Response 62
• 4. Overall Quantitative Comparison 67
• V. Conclusion 72
• Bibliography 77