Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

1. Problemstellung

Moderne Steuerungssysteme stehen häufig vor zwei wesentlichen Herausforderungen:

• Eingangsverzögerungen (Input Delays): Signale erreichen die Aktuatoren mit einer zeitlichen Verzögerung $D$, was die Stabilität gefährden kann.
• Abgetastete Messungen (Sampled Measurements): Zustandsmessungen sind oft nicht kontinuierlich verfügbar, sondern liegen nur zu diskreten Zeitpunkten vor (durch Sensorik oder Kommunikationsbandbreiten begrenzt). Zudem können Messungen unregelmäßig auftreten oder vorübergehend ausfallen.

Der etablierte Ansatz zur Kompensation von Verzögerungen ist das Prädiktor-Feedback. Dabei wird der zukünftige Systemzustand über den Verzögerungshorizont vorhergesagt, und die Regelgesetzgebung wird auf diese Vorhersage angewendet.

• Herausforderung: Die exakte Berechnung des Prädiktors erfordert die Lösung einer impliziten gewöhnlichen Differentialgleichung (ODE) online. Dies ist rechnerisch sehr aufwendig und oft intractable (nicht praktikabel).
• Lücke in der Literatur: Bestehende neuronale Operator-Ansätze (die als datengetriebene Alternative vorgeschlagen wurden) gehen meist von kontinuierlich verfügbaren Messungen aus. Es fehlt jedoch an Methoden, die sowohl Verzögerungen als auch diskrete, abgetastete Messungen effizient und stabil handhaben.

2. Methodik und Ansatz

Die Autoren entwickeln zwei neue Architekturen für Prädiktor-Feedback-Systeme, die Neuronale Operatoren (Neural Operators) nutzen, um die notwendigen Abbildungen zwischen Funktionenräumen zu approximieren. Diese Operatoren werden offline trainiert und ermöglichen eine schnelle Inferenz online.

Es werden zwei Designs unterschieden, die einen Kompromiss zwischen Sampling-Flexibilität und Approximationsgenauigkeit darstellen:

Design 1: Sampling-Horizon-Vorhersageoperator (Uniform Sampling)

• Ansatz: Ein neuronaler Operator $\hat{M}$ approximiert direkt die gesamte Zustandsbahn $\hat{Z}$ über das nächste Abtastintervall $[T_i, T_{i+1})$.
• Eingabe: Aktueller Zustand $X(T_i)$ und Eingabehistorie $U_i$.
• Ausgabe: Vorhergesagte Trajektorie für das gesamte Intervall.
• Einschränkung: Erfordert uniforme Abtastung (konstante Intervalllänge $h = T_{i+1} - T_i$).
• Vorteil: Die Restfehlergrenze skaliert direkt mit dem Approximationsfehler des Operators.

Design 2: Prädiktor-Approximation (Bounded Non-Uniform Sampling)

• Ansatz: Der neuronale Operator $\hat{P}$ approximiert nur den Prädiktor (d.h. den Zustand zum Zeitpunkt $T_i + D$). Dieser Wert dient als Anfangsbedingung für eine kontinuierliche ODE-Integration ($\dot{\hat{Z}} = f(\hat{Z}, \kappa(\hat{Z}))$) zwischen den Messzeitpunkten.
• Eingabe: Aktueller Zustand und Eingabehistorie.
• Ausgabe: Nur der Startwert für die ODE-Integration.
• Vorteil: Erlaubt nicht-uniforme, aber beschränkte Abtastintervalle ($T_{i+1} - T_i \le h$). Dies ist robuster gegenüber Hardware-Fehlern oder variablen Kommunikationszeiten.
• Nachteil: Der Approximationsfehler wird durch die ODE-Propagierung über das Intervall verstärkt (Faktor $e^{C_f(1+C_\kappa)h}$), was eine genauere Approximation erfordert.

3. Theoretische Ergebnisse und Stabilitätsanalyse

Die Autoren beweisen die semi-global praktische Stabilität für beide Schemata unter Verwendung einer Lyapunov-Analyse.

• Stabilitätsgarantie: Das geschlossene Regelkreis-System ist stabil, wobei der asymptotische Fehler (Residual Bound) explizit vom Approximationsfehler $\epsilon$ des neuronalen Operators abhängt.
• Trade-off:
  • Bei Design 1 ist der Fehler proportional zu $\epsilon$.
  • Bei Design 2 ist der Fehler proportional zu $\epsilon \cdot e^{C_f(1+C_\kappa)h}$.
  • Dies zeigt einen klaren Zielkonflikt: Größere Flexibilität bei der Abtastung (Design 2) erfordert eine höhere Genauigkeit des neuronalen Modells, um die gleiche Stabilitätsgüte zu erreichen.
• Voraussetzungen: Die Analyse basiert auf Standardannahmen für nichtlineare Systeme (Lipschitz-Stetigkeit, starke Vorwärtskomplettheit, Input-to-State-Stability).

4. Numerische Ergebnisse

Die Methoden wurden an einem 6-Gelenk-robotischen Manipulator (xArm6) mit verzögerter Drehmomentregelung getestet.

• Setup: Die Dynamik ist hochgradig nichtlinear (Trägheit, Coriolis, Gravitation). Die Verzögerung beträgt $D=0.2s$.
• Vergleich:
  1. Numerische Lösung des Prädiktors (Baseline, hohe Rechenlast).
  2. Design 1 (Uniform Sampling, Neural Operator).
  3. Design 2 (Non-Uniform Sampling, Neural Operator).
• Ergebnisse:
  • Alle drei Ansätze verfolgten die Referenztrajektorie erfolgreich.
  • Rechengeschwindigkeit: Die neuronalen Operatoren benötigten ca. 1 ms pro Evaluation (auf einer GPU), während die numerische Integration ca. 25 ms benötigte. Dies entspricht einer 25-fachen Beschleunigung.
  • Die Fehleranalyse zeigte, dass die Messungenauigkeiten (Rauschen) direkt in den Prädiktionsfehler eingehen, aber das System stabil bleibt.

5. Bedeutung und Fazit

Dieses Paper schließt eine wichtige Lücke zwischen theoretischer Prädiktor-Feedback-Theorie und der praktischen Implementierung in Echtzeitsystemen:

1. Praktische Anwendbarkeit: Es adressiert das reale Problem diskreter und unregelmäßiger Messungen, das in der industriellen Steuerung oft ignoriert wird.
2. Recheneffizienz: Durch den Ersatz der numerischen ODE-Integration durch einen trainierten neuronalen Operator wird die Rechenlast drastisch reduziert, was die Anwendung bei hohen Verzögerungen oder steifen Systemen ermöglicht.
3. Design-Leitfaden: Die Arbeit bietet Ingenieuren einen klaren theoretischen Rahmen, um zu entscheiden, ob sie ein striktes uniformes Sampling (Design 1) oder flexiblere, aber fehleranfälligere Abtastung (Design 2) wählen sollten, basierend auf den Fähigkeiten ihres neuronalen Modells.

Zusammenfassend demonstrieren die Autoren, dass datengetriebene Prädiktoren nicht nur rechnerisch effizienter sind, sondern auch theoretisch fundierte Stabilitätsgarantien für nichtlineare Systeme mit Verzögerungen und abgetasteten Messungen bieten können.