본 논문은 차량 파워트레인과 같이 복잡하고 비선형적인 기계 시스템의 제어 문제를 해결하기 위해 심층 강화 학습(DRL) 기반의 새로운 강인 제어 방법을 제안합니다. 기존 강인 제어의 한계를 극복하기 위해 도메인 랜덤화 기반 DRL, LSTM 기반 actor-critic 네트워크, 그리고 모델 기반 제어(MBC)를 결합하는 전략을 사용합니다. 불확실성과 비선형성을 고려한 잠재 마르코프 의사결정 과정(LMDP)을 이용하여 문제를 모델링하고, 훈련 중 시뮬레이터의 동역학을 무작위화하여 실제 환경에 대한 제어 시스템의 강인성을 향상시킵니다. 모델 기반 제어기를 병행하여 사용함으로써 훈련의 어려움과 제어 시스템의 보수성을 완화하고, 기존 DRL 기반 제어에 비해 더 작은 신경망 구조와 적은 훈련 데이터로 높은 일반화 성능을 달성합니다. 비선형성과 파라미터 변화를 포함하는 복잡한 파워트레인 시스템의 능동 감쇠에 대한 실제 적용을 통해 제안된 방법의 강인성을 검증하고, 비교 실험을 통해 우수성을 보여줍니다.
