⚡ electrical engineering

Stability of data-driven Koopman MPC with terminal conditions

Diese Arbeit beweist, dass ein datengetriebener Koopman-basierter MPC mit Endbedingungen unter einer proportionalen Fehlerabschätzung, die durch kEDMD-Modelle für eine breite Klasse nichtlinearer Systeme erfüllt werden kann, die rekursive Zulässigkeit und asymptotische Stabilität des geregelten Systems garantiert.

Ursprüngliche Autoren: Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

Veröffentlicht 2026-04-13

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der ungenaue Navigator

Stell dir vor, du möchtest ein Auto steuern, das du noch nie gefahren hast. Du kennst die genaue Mechanik nicht (das ist der „echte" Prozess). Um sicher ans Ziel zu kommen, nutzt du einen Navigations-App, die auf Daten basiert, die du gesammelt hast.

Das Problem: Deine App ist nicht perfekt. Sie macht kleine Fehler.

Wenn du gerade fährst, sagt die App vielleicht: „Biege links ab", aber das Auto biegt leicht nach rechts aus.
Wenn du weit weg vom Ziel bist, sind die Fehler vielleicht groß.
Wenn du nah am Ziel bist, sollten die Fehler klein sein.

Die Forscher in diesem Papier fragen sich: Können wir trotzdem sicher und stabil ans Ziel kommen, auch wenn unsere App (das Modell) nicht 100 % genau ist?

Die Lösung: Ein Sicherheitsgurt und ein magischer Kompass

Die Antwort ist „Ja", aber nur unter bestimmten Bedingungen. Die Forscher haben einen neuen Algorithmus entwickelt (eine Art „intelligenter Fahrplan"), der zwei Dinge kombiniert:

Der Sicherheitsgurt (Constraint Tightening):
Stell dir vor, die Straße ist sehr schmal. Wenn dein Navigator leicht danebenliegt, fährst du vielleicht gegen die Wand.
Die Lösung der Forscher ist: Sie nehmen die Straße, die dein Navigator sieht, und machen sie absichtlich schmaler. Sie sagen: „Wir fahren nicht bis an den Rand, sondern lassen immer einen Sicherheitsabstand."
- Die Metapher: Es ist wie beim Parken. Wenn du nicht sicher bist, ob dein Spiegel an der Wand kratzt, parkst du weiter weg. Je unsicherer dein Navigator ist, desto weiter weg parkst du. Das garantiert, dass du auch bei Fehlern nie gegen die Wand fährst.
Der magische Kompass (Proportional Error Bound):
Das ist der wichtigste Teil. Die Forscher haben herausgefunden, dass die App nur dann garantiert zum Ziel führt, wenn ihre Fehler proportional zum Abstand vom Ziel sind.
- Die Metapher: Stell dir vor, du läufst durch einen dichten Nebel.
  - Wenn du weit weg vom Ziel bist, ist der Nebel dick, und du kannst dich leicht verirren.
  - Aber je näher du dem Ziel kommst, desto klarer wird die Sicht.
  - Wenn du genau am Ziel bist, ist der Nebel komplett weg (Fehler = 0).
    Wenn die Fehler so funktionieren (je näher am Ziel, desto genauer), dann garantiert der Algorithmus, dass du nicht nur in der Nähe bleibst, sondern wirklich genau im Ziel ankommst und dort stehen bleibst.

Die Technik dahinter: Der „Koopman"-Zaubertrick

Wie bekommen sie diese perfekte App? Sie nutzen eine Methode namens Koopman-Operator (speziell kEDMD).

Die Metapher: Stell dir vor, das Verhalten des Autos ist wie ein wilder Tanz. Das ist schwer vorherzusagen. Der Koopman-Operator ist wie ein Zaubertrick, der diesen wilden Tanz in eine einfache, gerade Linie verwandelt.
Die Forscher nutzen Daten, um diesen „Zaubertrick" zu lernen. Sie zeigen dem Computer tausende Beispiele, wie sich das System verhält, und bauen daraus ein Modell.
Das Besondere an diesem Papier: Sie haben eine spezielle Technik entwickelt (PI-kEDMD), die sicherstellt, dass der „Nebel" (der Fehler) genau dann verschwindet, wenn man das Ziel erreicht.

Was haben sie bewiesen?

Die Forscher haben mathematisch bewiesen:

Kein Abbruch: Der Algorithmus findet immer einen Weg, auch wenn das Modell Fehler macht (man nennt das „rekursive Machbarkeit").
Stabilität: Das System wird nicht verrückt, sondern stabilisiert sich.
Zielgenauigkeit: Wenn die Fehler klein genug sind und proportional zum Abstand vom Ziel schrumpfen, kommt das System exakt im Nullpunkt (dem Ziel) an und bleibt dort.

Das Ergebnis im Test

Sie haben das an einem Beispiel getestet (einem „Van-der-Pol-Oszillator", was man sich wie ein schwingendes Pendel vorstellen kann).

Ohne die spezielle Technik: Das System kam nah an das Ziel, blieb aber ein bisschen daneben hängen (wie ein Pendel, das nie ganz zur Ruhe kommt).
Mit der speziellen Technik (PI-kEDMD): Das System kam exakt im Ziel an und blieb stehen.

Fazit für den Alltag

Dieses Papier sagt uns: Man kann auch mit ungenauen, datenbasierten Vorhersagen absolute Sicherheit erreichen. Man muss nur zwei Dinge tun:

Einen Sicherheitsabstand einplanen (den „Sicherheitsgurt").
Sicherstellen, dass die Vorhersagen umso besser werden, je näher man dem Ziel kommt.

Dann kann man auch komplexe, unbekannte Systeme (wie Roboter, chemische Prozesse oder autonome Fahrzeuge) sicher steuern, ohne dass man die exakte Physik dahinter perfekt verstehen muss.

1. Problemstellung

Das Paper adressiert die Herausforderung, Modellprädiktive Regelung (MPC) mit einem datengetriebenen Surrogatmodell zu entwerfen, das ein unbekanntes, nichtlineares dynamisches System stabilisiert.

Herausforderung: Herkömmliche MPC-Stabilitätsbeweise gehen von einem exakten Modell aus. In datengetriebenen Ansätzen (z. B. basierend auf dem Koopman-Operator) existieren jedoch unvermeidliche Approximationsfehler zwischen dem wahren System und dem gelernten Modell.
Risiko: Ohne spezielle Behandlung führen diese Fehler typischerweise dazu, dass weder die rekursive Zulässigkeit (Recursive Feasibility) noch die asymptotische Stabilität des geschlossenen Regelkreises garantiert werden können.
Ziel: Es sollen Bedingungen hergeleitet werden, unter denen eine MPC-Strategie mit Terminalbedingungen (Terminal Cost und Terminal Set) trotz Approximationsfehlern asymptotisch stabil ist.

2. Methodik

A. Systemmodell und Fehlerannahmen

Das zu regelnde System wird als diskretes, nichtlineares System $x^+ = f(x, u)$ betrachtet. Für die MPC-Optimierung wird ein Surrogatmodell $x^+ = f^\varepsilon(x, u)$ verwendet.
Die Stabilitätsanalyse basiert auf zwei zentralen Annahmen für den Fehler $\|f(x, u) - f^\varepsilon(x, u)\|$ :

Proportionaler Fehler: Der Fehler ist linear begrenzt durch die Normen von Zustand und Eingabe ( $c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|$ ). Dies ist entscheidend, da der Fehler gegen Null geht, wenn sich der Zustand dem Gleichgewichtspunkt nähert.
Uniformer Fehler: Ein globaler konstanter Fehler $\eta^\varepsilon$ (zusätzlich zum proportionalen Anteil), der für die Konstruktion von Sicherheitsmargen benötigt wird.
Lipschitz-Stetigkeit: Das Surrogatmodell muss Lipschitz-stetig sein.

B. MPC-Algorithmus mit Constraint Tightening

Um die rekursive Zulässigkeit trotz Modellfehlern zu gewährleisten, wird ein Constraint Tightening (Verschärfung der Nebenbedingungen) eingeführt:

Die zulässigen Zustandsbereiche werden um einen Puffer verkleinert, der von der Lipschitz-Konstante des Modells und dem uniformen Fehler $\eta^\varepsilon$ abhängt.
Die MPC-Optimierung nutzt ein endliches Horizont $N$ , eine quadratische Kostenfunktion und Terminalbedingungen (Terminal Cost $V_f^\varepsilon$ und Terminalmenge $X_f^\varepsilon$ ), die auf dem Surrogatmodell basieren.
Die Terminalbedingungen werden so gewählt, dass sie eine lokale Stabilität innerhalb der Terminalmenge garantieren (Lyapunov-Abnahme).

C. Datengenerierung mittels kEDMD

Als datengetriebene Methode wird Kernel Extended Dynamic Mode Decomposition (kEDMD) verwendet, basierend auf dem Koopman-Operator.

Erweiterung: Das Paper nutzt eine spezielle Variante, die als Physics-Informed kEDMD (PI-kEDMD) bezeichnet wird.
Modifikation: Um die geforderte proportionale Fehlerbedingung zu erfüllen, wird das Regressionsproblem bei der Identifikation des Modells so modifiziert, dass das Gleichgewicht am Ursprung exakt erhalten bleibt ( $\tilde{g}_0(0) = 0$ ).
Theoretische Grundlage: Es wird gezeigt, dass bei Verwendung von Wendland-Kernen und geeigneter Datendichte (Fill Distance und Cluster Radius) die proportionalen und uniformen Fehlergrenzen mathematisch rigoros nachgewiesen werden können.

3. Hauptbeiträge

Stabilitätsbeweis mit Terminalbedingungen: Der erste Beweis, dass MPC mit Terminalbedingungen und Constraint Tightening bei Vorliegen proportionaler und uniformer Fehlergrenzen asymptotisch stabil ist. Dies erweitert frühere Arbeiten (z. B. [26]), die nur MPC ohne Terminalbedingungen oder praktische Stabilität betrachteten.
Verknüpfung mit kEDMD: Es wird gezeigt, wie die abstrakten Stabilitätsbedingungen (insbesondere die proportionalen Fehlergrenzen) durch den Einsatz von PI-kEDMD im Koopman-Rahmenwerk konkret erfüllt werden können.
Rigorose Fehleranalyse: Die Arbeit liefert eine vollständige Kette von der Datenerhebung über die Modellidentifikation bis hin zur Stabilitätsgarantie im geschlossenen Regelkreis, einschließlich der Konstruktion der Terminalmenge basierend auf dem Surrogatmodell.

4. Ergebnisse

Theoretisch: Es wurde bewiesen, dass für hinreichend kleine Approximationsfehler (kleines $\varepsilon$ ) das MPC-Verfahren rekursiv zulässig bleibt und den Ursprung asymptotisch stabilisiert. Die Konvergenzgeschwindigkeit ist exponentiell.
Numerisch (Van-der-Pol-Oszillator):
- Ein Fallstudie mit einem gesteuerten Van-der-Pol-Oszillator wurde durchgeführt.
- Vergleich: Ein Standard-kEDMD-Ansatz (ohne die spezielle Modifikation für proportionale Fehler) führte nur zu einer praktischen Stabilität (der Fehler stagnierte bei einem positiven Wert).
- Ergebnis: Der PI-kEDMD-Ansatz (mit enforced equilibrium) ermöglichte eine asymptotische Stabilität mit deutlich höherer Genauigkeit, wobei der Zustand tatsächlich gegen Null konvergierte.
- Die Anzahl der virtuellen Beobachtungspunkte (352 vs. 1327) beeinflusste die Fehlergrenzen und damit die zulässige Horizontlänge, bestätigte aber die theoretischen Vorhersagen.

5. Bedeutung und Fazit

Praktische Relevanz: Die Arbeit bietet einen theoretisch fundierten Rahmen für den sicheren Einsatz von lernbasierten Modellen in der Regelungstechnik, wo Stabilität und Sicherheit kritisch sind (z. B. in der Medizintechnik oder Robotik).
Überwindung von Limitierungen: Sie zeigt, dass durch die Kombination von Terminalbedingungen und spezifischen datengetriebenen Identifikationsverfahren (PI-kEDMD) die Unsicherheit des Modells beherrschbar gemacht werden kann.
Einschränkung und Ausblick: Ein Nachteil ist die Konservativität des Constraint Tightening basierend auf der Lipschitz-Konstante, was bei langen Vorhersagehorizonten zu sehr kleinen zulässigen Mengen führen kann. Als zukünftige Arbeit wird die Verwendung fortschrittlicherer Tightening-Techniken (z. B. basierend auf inkrementeller Stabilisierbarkeit) vorgeschlagen.

Zusammenfassend stellt das Paper einen wichtigen Schritt dar, um datengetriebene MPC-Verfahren von reinen Heuristiken zu mathematisch garantierten, stabilen Regelungsalgorithmen zu entwickeln.