시스템 차수와 동역학이 달라도 하나의 신경망으로 제어하는 'Generalist Controller'가 제안됐다. 어텐션 마스킹 기반 동적 상태공간 표현과 시스템 태그를 도입해 구조 변경 없이 서로 다른 차원의 시스템을 처리하며, 수중·항공 비행체부터 기계·화학 공정까지 25개 시스템에서 생성한 31만 4,630개 시연 데이터로 단번에 학습했다. 다중 스케일 시간 처리와 mixture-of-experts 구조로 비최소위상·불안정 시스템을 포함한 전 시스템에서 시스템별 LQI 제어기와 대등한 성능을 보였고, 학습에 없던 액추에이터 포화·노이즈·외란 조건에도 일반화했다. 시스템마다 제어기를 따로 설계·튜닝하던 관행을 단일 학습 정책으로 대체할 수 있음을 보여준 사례다.
- •어텐션 마스킹 기반 동적 상태공간 표현과 시스템 태그로 단일 신경망이 서로 다른 차수·동역학의 SISO 시스템을 제어
- •수중·항공·기계·화학 등 25개 시스템에서 314,630개 시연 데이터를 생성해 원샷 학습
- •비최소위상·불안정 시스템 포함 전 시스템에서 시스템별 LQI 제어기와 대등한 시뮬레이션 성능
- •액추에이터 포화, 노이즈, 외란, 미학습 기준 궤적 등 새로운 운영 조건에도 일반화
Generalist AI Control: Towards Multi-purpose Adaptive Algorithms
- 1.단일 신경망으로 서로 다른 차수·동역학 시스템을 제어하는 'Generalist Controller' 제안
- 2.어텐션 마스킹 기반 동적 상태공간 표현과 시스템 태그로 구조 변경 없이 다차원 시스템 처리
- 3.25개 시스템에서 31만여 개 시연 데이터 생성, MoE 구조와 멀티스케일 시간 처리로 학습
- 4.비최소위상·불안정 시스템 포함 전 시스템에서 개별 설계된 LQI 제어기와 동등 성능 달성
왜 중요한가?
시스템마다 제어기를 개별 설계·튜닝하던 전통 제어공학 관행을 벗어나, 한 번 학습한 단일 정책이 수중·항공·기계·화학 공정까지 포괄하는 범용 제어 가능성을 보였다. LLM의 범용성 패러다임이 제어 분야로 확장되는 흐름을 보여주는 사례다.
본문 미리보기
arXiv:2607.16313v1 Announce Type: new Abstract: Traditional controllers are designed for specific systems and do not transfer across different system orders and dynamics. We present a Generalist Controller, a learning-based controller capable of controlling systems of varying orders and dynamics. The approach introduces a novel dynamic state-space representation using attention mechanisms with masking, enabling a single neural network, trained in one shot, to handle systems with different dimen
전체 내용이 궁금하다면?
원문을 직접 읽어보세요