초소형위성 자세제어를 위한 LUT-인공신경망 기반 영공간 추력 분배 연구 = Null-Space-Based LUT-ANN Thruster Allocation Algorithm for CubeSat Attitude Control

다국어 초록 (Multilingual Abstract)

In the attitude control of CubeSats, a hybrid actuator configuration that combines reaction wheels and thrusters is an effective approach that mutually compensates for the shortcomings of each actuator. However, in over-actuated systems, where the number of actuators exceeds the degrees of freedom of the control objective, infinitely many thrust-combination solutions satisfy the upper-level controller command, and when the required torque lies outside the Attainable Control Set （ACS） of the actuators, searching for a feasible optimal solution in real time becomes difficult. Conventional pseudo-inverse-based methods have a low computational burden but incur tracking errors due to clipping correction when the actuator constraints are exceeded, whereas optimization-based methods offer superior control performance but are constrained in real-time implementation owing to their high computational burden.
This thesis proposes a two-stage thrust allocation algorithm that simultaneously achieves computational efficiency and performance optimization. In the first stage, an ACS-geometry-based intersection-facet Look-Up Table （LUT） is employed to perform LUT-based intersection computation only when an infeasible command is received. In the second stage, the null-space parameters are adjusted using an Artificial Neural Network （ANN） trained on null-space parameter datasets generated through quadratic-programming-based optimization, in which fuel efficiency and thrust equalization are defined as the cost function. Unlike conventional approaches that directly infer the final thrust command, the proposed ANN infers only the null-space parameters, which do not affect the total torque. When a command lying outside the ACS is received, the proposed algorithm computes the intersection point with the ACS boundary through the LUT and then predicts and applies the optimized null-space parameters using the ANN, thereby maintaining fuel efficiency while keeping the computational burden low.
To verify the effectiveness of the proposed thrust allocation algorithm, it was applied to the Attitude Determination and Control System （ADCS） of a 6U CubeSat operating in an Elliptical Lunar Frozen Orbit （ELFO） for a Lunar Navigation Satellite System （LNSS） mission. The overall attitude system performs LQR （Linear Quadratic Regulator）-based attitude control and EKF （Extended Kalman Filter）-based attitude determination, and employs thrusters for attitude control and for momentum dumping upon reaction wheel saturation. Through Software-In-the-Loop Simulation （SILS） conducted under lunar environment conditions, the tracking-error reduction and fuel-efficiency improvement of the proposed algorithm were confirmed, and the satisfaction of the mission requirements was verified.

국문 초록 (Abstract)

초소형위성의 자세제어에서 반작용 휠과 추력기를 혼용하는 하이브리드 구동기 구성은 각 구동기의 단점을 상호 보완하는 효과적인 방식이다. 그러나 제어 목표의 자유도보다 구동기 수가 많은 과구동（Over-actuated）추력기는 상위제어기의 명령을 만족시키는 무수히 많은 추력 조합 해가 존재하며, 요구토크가 구동기의 가용 제어 집합（Attainable Control Set, ACS）영역을 벗어나는 경우에는 실현가능한 최적 해를 실시간으로 탐색하는 것이 어렵다. 기존의 의사역행렬（Pseudo inverse） 기반 방법은 계산 부담이 낮으나 구동기 제약조건을 벗어날 경우 클리핑（Clipping） 보정에 따른 추종 오차가 발생하며, 최적화 기반 방법은 제어 성능은 우수하나 높은 연산 부담으로 실시간 구현에 제약이 따른다.
본 논문은 연산 효율과 성능 최적화를 동시에 달성하기 위한 두 단계 추력 분배 알고리즘을 제안한다. 1단계에서는 ACS 기하학 기반 교차면 룩업 테이블（Look-Up Table, LUT）을 활용하여, 실현불가능（Infeasible） 명령이 입력된 경우에 한해 LUT 기반 교차점 연산을 수행한다. 2단계에서는 연료 효율과 추력 균등화를 비용함수로 설정한 이차계획법기반 최적화를 통해 생성된 영공간 파라미터 학습 데이터로 학습된 인공신경망（Artificial Neural Network, ANN）을 이용하여 영공간（Null-Space） 파라미터를 조정한다. 이때 제안 신경망은 최종 추력 명령을 직접 추론하는 기존 방식과 달리, 전체 토크에 영향을 주지 않는 영공간 파라미터만을 추론한다. 제안 알고리즘은 ACS 영역을 벗어나는 명령이 입력된 경우, LUT를 통해 ACS 경계면과의 교차점을 산출한 후 ANN을 이용하여 최적화된 영공간 파라미터를 예측 적용함으로써, 낮은 연산 부담을 유지하면서도 연료 효율을 유지하였다.
제안된 추력 분배 알고리즘의 유효성 검증을 위해, 달 항법 위성 시스템（Lunar Navigation Satellite System, LNSS） 임무를 위한 타원 달 동결 궤도（Elliptical Lunar Frozen Orbit, ELFO） 운용 6U 큐브위성의 자세 결정 및 제어 시스템（Attitude Determination and Control System, ADCS）에 적용하였다. 전체 자세 시스템은 LQR（Linear Quadratic Regulator） 기반 자세제어, EKF（Extended Kalman Filter） 기반 자세 결정, 그리고 자세제어 및 반작용 휠 포화 시 모멘텀 덤핑을 위해 추력기를 사용한다. 달 환경 조건 하에서 수행된 SILS（Software-In-the-Loop-Simulation）를 통해 제안 알고리즘의 추종 오차 저감 및 연료 효율 개선 효과를 확인하였으며, 임무 요구조건 만족 여부를 검증하였다.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 동향 1
• 1.2 연구 배경 3
• 1.3 연구 목적 및 기여 4
• 제2장 추력기 제어분배 알고리즘 5
• 2.1 추력기 5
• 2.2 대표 알고리즘 6
• 2.3 제안 알고리즘 （Phase 1/2） 8
• 2.3.1 Phase 1-LUT 기반 교차점 연산 9
• 2.3.1.1 ACS 기하 및 LUT 10
• 2.3.1.2 교차면 후보군 탐색 12
• 2.3.1.3 교차점 연산 13
• 2.3.1.4 Facet 내부 판단 13
• 2.3.2 Phase 2-인공신경망 기반 추력 명령 분배 14
• 2.3.2.1 영공간 14
• 2.3.2.2 인공신경망 모델 15
• 2.3.2.3 훈련데이터 및 하이퍼파라미터 16
• 2.3.2.4 검증 17
• 2.3.3 알고리즘 성능 비교 18
• 2.3.3.1 추력기 6EA 사례 18
• 2.3.3.2 추력기 12EA 사례 28
• 제3장 자세결정 및 제어시스템 설계 41
• 3.1 달 환경 특수성 41
• 3.1.1 달 궤도 44
• 3.1.2 외란 45
• 3.2 임무 및 요구조건 47
• 3.3 좌표계 정의 및 변환 51
• 3.3.1 달 중심 좌표계 51
• 3.3.2 지역 좌표계 52
• 3.3.3 동체 좌표계 52
• 3.3.4 LCI to Local 변환 52
• 3.3.5 Local to Body 변환 53
• 3.4 운용 모드 54
• 3.5 센서 및 구동기 57
• 3.5.1 센서 선정 및 모델링 57
• 3.5.2 구동기 선정 및 모델링 60
• 3.6 자세결정 알고리즘 64
• 3.6.1 EKF 설계 65
• 3.7 자세제어 알고리즘 66
• 3.7.1 LQR 설계 67
• 3.7.2 태양광 가시성 확보 알고리즘 68
• 제4장 시뮬레이션 및 결과 70
• 4.1 시뮬레이션 환경 70
• 4.2 자세추정 성능 검증 72
• 4.3 자세제어 성능 검증 74
• 4.3.1 달 지향 및 태양광 가시성 확보 모드 분석 74
• 4.3.2 휠 모멘텀 덤핑 성능 분석 76
• 4.3.3 고각 자세기동 성능 분석 78
• 제5장 결론 82
• 5.1 연구 요약 82
• 5.2 향후 과업 83
• 5.2.1 동적 시뮬레이터 실험장비 83
• 5.2.2 우주선 모듈 개발 85
• 참고문헌 87