To control the dynamic system with model-based approach, the model should represent the dynamic of the system and at the same time, the model should not be computational intractable on control optimization problem. In this paper, we offer a balanced model between called input convex graph recurrent neural network to harmonize model expressivity and optimization solvability. Input convex graph recurrent neural network is a graph recurrent neural network which output of the function is a convex function with respect to input of the function. The graph recurrent neural network structure in the proposed model can represent the interaction between components of system and the dynamic of system efficiently. In addition, input convexity of the proposed model guarantee to find an optimal solution when the agents find the action sequence using the dynamic model. We apply the proposed dynamic model to control the furnace system in the real world with model predictive control. The experimental shows that the proposed model shows notable performance than baseline models.
모델 기반 기법을 이용해 동적 시스템을 제어하기 위해서는 모델은 시스템의 역학을 잘 묘사해야할 뿐만 아니라 모델을 이용한 최적의 제어값을 구할 때 그 계산의 속도와 최적성 등도 중요하다. 이 논문에서는 동적 시스템을 제어하기 위해 모델이 갖춰야 할 두가지 조건을 조화롭게 만족시키기 위해 볼록 그래프 순환 신경망 모델을 제시한다. 볼록 그래프 순환 신경망은 함수의 출력값이 함수의 입력값의 볼록 함수가 되도록 만들어진 그래프 순환 신경망으로 이 모델을 통해 시스템의 역학을 충분히 표현가능함과 동시에 최적의 제 어값 계산을 가능케 한다. 볼록 그래프 순환 신경망과 모델 예측 제어 기법을 활용해 실제 용광로 시스템을 제어하였고 기저 모델과 비슷하거나 더 정확한 예측 및 제어를 얻을 수 있었다.
