⚡ electrical engineering

Sinkhorn Ambiguity Sets for Distributionally Robust Control: Convexity, Weak Compactness, and Tractability

Dieser Artikel etabliert die Konvexität und schwache Kompaktheit von Sinkhorn-Ambiguitätsmengen, um ein handhabbares konvexes Optimierungsframework für die verteilungsrobuste lineare quadratische Regelung zu formulieren, und bietet eine dateneffiziente Alternative zu wassersteinbasierten Methoden, die beobachtete Daten effektiv mit Vorwissen kombiniert.

Ursprüngliche Autoren: Riccardo Cescon, Andrea Martin, Giancarlo Ferrari-Trecate

Veröffentlicht 2026-05-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Riccardo Cescon, Andrea Martin, Giancarlo Ferrari-Trecate

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

Stellen Sie sich vor, Sie sind der Kapitän eines großen Flugzeugs, einer Boeing B-747, und versuchen, von Punkt A nach Punkt B zu fliegen. Sie möchten effizient dort ankommen, aber es gibt ein Problem: Der Wind ist unvorhersehbar.

In den alten Tagen des Fliegens (klassische Regelung) gingen Ingenieure davon aus, den Wind perfekt zu kennen. Sie sagten: „Der Wind wird genau 10 Meilen pro Stunde aus Norden wehen", und planten den Flug entsprechend. Doch in Wirklichkeit ist der Wind chaotisch. Manchmal weht er mit 5 Meilen pro Stunde, manchmal mit 20, und manchmal gibt es Böen in seltsame Richtungen. Wenn Sie für den „durchschnittlichen" Wind planen, könnte eine plötzliche starke Böe Ihr Flugzeug vom Kurs abbringen und Sicherheitsvorschriften verletzen.

Auf der anderen Seite, wenn Sie versuchen, extrem sicher zu sein (robuste Regelung), gehen Sie davon aus, dass der Wind das absolut denkbar schlechteste Szenario sein wird – wie ein Hurrikan, der das Flugzeug gleichzeitig aus allen Richtungen trifft. Sie würden sehr langsam fliegen und einen riesigen Umweg nehmen, um sicher zu sein. Während Sie niemals abstürzen würden, würden Sie eine Menge Kraftstoff und Zeit verschwenden. Dies ist zu konservativ.

Der Mittelweg: Verteilungsrobuste Regelung (Distributionally Robust Control, DRC)
Dieser Artikel schlägt einen intelligenteren Weg vor, um zu fliegen. Anstatt den exakten Wind zu erraten oder das absolut Schlimmste zu fürchten, sagen die Ingenieure: „Wir haben einige Daten aus früheren Flügen (Stichproben), aber wir wissen, dass sie nicht perfekt sind. Gehen wir davon aus, dass der tatsächliche Wind irgendwo in einer ‚Wolke' von Möglichkeiten um unsere Daten herum liegt."

Diese „Wolke" wird als Ambiguitätsmenge bezeichnet. Das Ziel ist es, eine Flugbahn zu entwerfen, die auch dann gut funktioniert, wenn sich der Wind als die schlimmste Version innerhalb dieser spezifischen Wolke herausstellt.

Das Problem mit der alten „Wolke" (Wasserstein-Distanz)
Lange Zeit war der beste Weg, diese Wolke zu definieren, die Verwendung eines mathematischen Werkzeugs namens Wasserstein-Distanz. Dieses Werkzeug hat jedoch eine seltsame Eigenart. Wenn Ihre Daten von einigen spezifischen Windstichproben stammen (wie beispielsweise 5 aufgezeichnete Böen), ist der vom Computer berechnete „Worst-Case"-Wind ebenfalls nur eine Handvoll spezifischer Punkte. Es ist, als würde man sagen, der schlimmstmögliche Wind sei nur eine Böe aus Norden oder nur eine Böe aus Süden, wobei man ignoriert, dass echter Wind ein glatter, kontinuierlicher Fluss ist, der aus jedem Bereich dazwischen wehen kann. Dies zwingt das Flugzeug zu übermäßiger Vorsicht, weil die Mathematik annimmt, der Wind sei auf eine Weise „spitz" und unvorhersehbar, wie es die Natur nicht ist.

Die neue Lösung: Die „Sinkhorn"-Wolke
Die Autoren dieses Artikels stellen ein neues Werkzeug namens Sinkhorn-Diskrepanz vor. Stellen Sie sich dies als eine neue Art vor, die „Wolke" der Unsicherheit zu zeichnen.

Die Metapher: Stellen Sie sich vor, Ihre Daten sind ein paar Tintentropfen auf einem Blatt Papier.
- Die Wasserstein-Methode sagt, das Worst-Case-Szenario seien nur ein paar weitere Tintentropfen. Sie füllt den Raum zwischen ihnen nicht aus.
- Die Sinkhorn-Methode sagt: „Lassen Sie uns annehmen, dass sich die Tinte wie Wasser glatt ausbreitet." Sie erlaubt es, dass der schlimmstmögliche Wind ein glatter, kontinuierlicher Fluss ist, der den gesamten Himmel bedeckt, und nicht nur ein paar Punkte.

Dies ist ein großer Vorteil, weil Rauschen in der realen Welt (wie Windturbulenzen) normalerweise glatt und kontinuierlich ist und nicht aus isolierten Punkten besteht. Durch die Verwendung von Sinkhorn kann der Computer sagen: „Okay, der Wind könnte eine glatte Brise aus Nordost sein", anstatt nur „Norden" oder „Osten". Dies führt zu einem Flugplan, der sicherer ist als der „durchschnittliche" Plan, aber weniger verschwenderisch als der „Worst-Case"-Plan.

Was haben sie bewiesen?
Der Artikel leistet drei Hauptdinge:

Mathematische Sicherheit: Sie bewiesen, dass diese neuen „Sinkhorn-Wolken" mathematisch wohlgeformt sind. Sie sind „konvex" (geformt wie eine glatte Schale, nicht wie ein zerklüfteter Fels) und „kompakt" (sie dehnen sich nicht ins Unendliche aus). Dies ist wichtig, weil es bedeutet, dass die mathematischen Probleme, die zur Gestaltung der Flugbahn verwendet werden, von Computern tatsächlich gelöst werden können, ohne stecken zu bleiben.
Das Puzzle lösen: Sie zeigten, wie man das komplexe Problem des „Findens des schlimmsten Windes in der Wolke" in ein standardmäßiges, lösbares mathematisches Problem umwandelt (konvexe Programmierung). Dies bedeutet, dass Ingenieure diese Methode tatsächlich auf echten Computern anwenden können.
Die Testfahrt: Sie testeten dies an einer Simulation einer Boeing B-747, die durch realistische Windturbulenzen flog.
- Der „durchschnittliche" Flugplan stürzte ab (verletzte Sicherheitsbeschränkungen).
- Der „super sichere" Plan war zu konservativ.
- Der neue Sinkhorn-Plan hielt das Flugzeug sicher und verbrauchte weniger Kraftstoff als der super sichere Plan. Er fand den sweet spot.

Zusammenfassung
Dieser Artikel gibt Ingenieuren ein neues, besseres Werkzeug, um mit Unsicherheit umzugehen. Durch die Verwendung der Sinkhorn-Diskrepanz können sie eine „Wolke" möglicher zukünftiger Ereignisse erstellen, die eher der realen Welt ähnelt (glatt und kontinuierlich) als einer zerklüfteten Sammlung von Datenpunkten. Dies ermöglicht ihnen, Regelsysteme (wie Autopiloten) zu entwerfen, die sicher genug sind, um Unfälle zu verhindern, aber effizient genug, um Energie zu sparen, alles unter der mathematischen Garantie, dass sie funktionieren.

Technische Zusammenfassung: Sinkhorn-Ambiguitätsmengen für distributionell robuste Regelung

Problemstellung

Die klassische stochastische Regelung basiert auf der Annahme, dass die wahre Wahrscheinlichkeitsverteilung der Unsicherheit bekannt ist, eine Annahme, die in der Praxis oft verletzt wird, wo nur endliche Stichproben verfügbar sind. Während die robuste Regelung Unsicherheit durch Worst-Case-Analysen adressiert, führt dies häufig zu übermäßig konservativen Lösungen. Distributionell Robuste Optimierung (DRO) bietet einen Mittelweg, indem sie gegen die Worst-Case-Verteilung innerhalb einer „Ambiguitätsmenge" optimiert, die um eine nominale Verteilung zentriert ist.

Bestehende DRO-Ansätze, die auf der Wasserstein-Distanz (ein Standard-Maß der Optimalen Transporttheorie) basieren, stoßen jedoch auf erhebliche Grenzen. Wenn die nominale Verteilung diskret ist (z. B. eine empirische Verteilung aus Daten), ist die resultierende Worst-Case-Verteilung ebenfalls diskret. Dies erfasst die kontinuierliche Natur vieler physikalischer Rauschprozesse nicht. Darüber hinaus erfordert die Erreichung von Garantien mit hoher Wahrscheinlichkeit bei Wasserstein-Mengen oft große Radien, wenn Daten knapp sind, was zu übermäßiger Konservativität führt.

Dieser Beitrag adressiert diese Einschränkungen durch die proposing eines Frameworks für Distributionell Robuste Regelung (DRC), das Sinkhorn-Ambiguitätsmengen nutzt. Diese Mengen werden über die Sinkhorn-Diskrepanz definiert, eine entropie-regularisierte Variante der Optimalen Transporttheorie. Die zentrale Herausforderung besteht darin, die theoretischen Eigenschaften dieser Mengen zu etablieren und eine handhabbare Umformulierung für lineare quadratische Regelungsprobleme mit probabilistischen Sicherheitsbeschränkungen abzuleiten.

Methodik

1. Theoretische Grundlagen von Sinkhorn-Ambiguitätsmengen

Die Autoren charakterisieren zunächst die geometrischen und topologischen Eigenschaften der Sinkhorn-Ambiguitätsmenge, bezeichnet als $\mathcal{B}_{\rho, \epsilon}(P)$ . Diese Menge enthält alle Wahrscheinlichkeitsverteilungen $Q$ , sodass die Sinkhorn-Diskrepanz $W_c^\epsilon(Q, P)$ kleiner oder gleich einem Radius $\rho$ ist.

Konvexität: Der Beitrag beweist, dass die Sinkhorn-Ambiguitätsmenge konvex ist. Dies ist eine kritische Eigenschaft für die Sicherstellung der Handhabbarkeit von Optimierungsproblemen, die über diesen Mengen definiert sind.
Schwache Kompaktheit: Unter Standardannahmen bezüglich der Transportkosten (insbesondere, dass sie hinreichend schnell wachsen), stellen die Autoren fest, dass die Sinkhorn-Ambiguitätsmenge schwach kompakt ist. Diese Eigenschaft ist wesentlich, um die Existenz von Worst-Case-Verteilungen zu garantieren und Minimax-Theoreme anzuwenden.
Vergleich mit Wasserstein: Im Gegensatz zu Wasserstein-Mengen, bei denen die Worst-Case-Verteilung diskret ist, wenn das Zentrum diskret ist, ermöglicht die Sinkhorn-Diskrepanz, dass die Worst-Case-Verteilung den Träger eines Referenzmaßes $\nu$ teilt. Durch die Wahl eines kontinuierlichen Referenzmaßes (z. B. einer Gauß-Verteilung) bleibt die Worst-Case-Verteilung kontinuierlich, was eine realistischere Modellierung der Unsicherheit bietet.

2. Umformulierung distributionell robuster CVaR-Beschränkungen

Das Regelungsproblem beinhaltet Conditional Value-at-Risk (CVaR)-Beschränkungen, um Sicherheit mit einem bestimmten Konfidenzniveau zu gewährleisten. Die Autoren nutzen die Konvexität und schwache Kompaktheit der Sinkhorn-Menge, um das Supremum (über Verteilungen) und das Infimum (über Risikoschwellen) in der Definition des Worst-Case-CVaR zu vertauschen.

Sie leiten eine starke duale Formulierung für die Worst-Case-Erwartungskosten und CVaR-Beschränkungen ab.
Wenn die Verlustfunktion stückweise affin ist (häufig bei polytopischen Beschränkungen) und das Referenzmaß Gauß-verteilt ist, wird die unendlichdimensionale Optimierung über Verteilungen auf ein endlichdimensionales konvexes Optimierungsproblem reduziert.
Diese Umformulierung gewinnt bekannte Wasserstein-Ergebnisse im Grenzwert wieder, wenn der Regularisierungsparameter $\epsilon \to 0$ geht.

3. Handhabbare Reglersynthese mittels System-Level-Synthese (SLS)

Der Beitrag wendet diese Ergebnisse auf ein lineares quadratisches Regelungsproblem mit endlichem Zeithorizont und probabilistischen Sicherheitsbeschränkungen an.

Einschränkung der Politik: Die Autoren beschränken den Suchraum auf affine Rückkopplungspolitiken.
SLS-Parametrisierung: Anstatt Reglerverstärkungen direkt zu optimieren, verwenden sie das System-Level-Synthese (SLS)-Framework. Dies verschiebt die Designvariablen auf die geschlossenen Regelkreis-Systemantwortkarten ( $\Phi, \phi$ ), die Störungen linear auf Zustände und Eingänge abbilden.
Konvexes Programm: Durch die Kombination der SLS-Parametrisierung mit der dualen Umformulierung der Sinkhorn-DR-Beschränkungen zeigen die Autoren, dass das gesamte Reglersyntheseproblem als konvexes Optimierungsprogramm formuliert werden kann (speziell ein konisches Programm, wenn $\epsilon > 0$ ).
Zulässigkeitsbedingungen: Der Beitrag liefert explizite Bedingungen für den Radius $\rho$ der Ambiguitätsmenge, die erforderlich sind, damit das Problem zulässig ist.

Hauptbeiträge

Topologische Eigenschaften: Der Beitrag etabliert die Konvexität und schwache Kompaktheit von Sinkhorn-Ambiguitätsmengen. Diese werden als Ergebnisse von unabhängigem Interesse für die Literatur zur Optimalen Transporttheorie präsentiert und dienen als Grundlage für die Lösung distributionell robuster eingeschränkter Regelungsprobleme.
Handhabbare Umformulierung: Die Autoren leiten eine endlichdimensionale, konvexe Umformulierung für das distributionell robuste lineare quadratische (DR-LQ) Regelungsproblem mit Sinkhorn-Mengen ab. Diese Formulierung behandelt sowohl die Zielfunktion als auch probabilistische Sicherheitsbeschränkungen (CVaR) simultan.
Charakterisierung kontinuierlicher Träger: Die Arbeit hebt die Fähigkeit von Sinkhorn-Mengen hervor, bei Verwendung eines kontinuierlichen Referenzmaßes einen kontinuierlichen Träger für Worst-Case-Verteilungen zu erhalten, und kontrastiert dies mit der Einschränkung des diskreten Trägers bei wassersteinbasiertem DRO.
Numerische Validierung: Die vorgeschlagene Methode wird an einem Trajektorienplanungsproblem für ein Boeing B-747-Flugzeug validiert, das Windturbulenzen ausgesetzt ist, die durch einen Dryden-Filter modelliert werden.

Ergebnisse und experimentelle Befunde

Die numerischen Experimente vergleichen drei Regler:

$\pi_{emp}$ : Ein Äquivalenz-Regler, der die empirische Verteilung verwendet (Ignorieren der Unsicherheit).
$\pi_{W}$ : Ein wassersteinbasierter DRO-Regler.
$\pi_{S}$ : Der vorgeschlagene Sinkhorn-basierte DRO-Regler.

Wichtige Beobachtungen:

Leistung vs. Konservativität: Der empirische Regler ( $\pi_{emp}$ ) wies hohe Regelkosten und signifikante Verletzungen von Beschränkungen bei ungesehenen Testdaten auf. Beide robusten Regler ( $\pi_{W}$ und $\pi_{S}$ ) schnitten die empirische Basislinie deutlich ab.
Reduzierte Konservativität: Der Sinkhorn-Regler ( $\pi_{S}$ ) zeigte im Vergleich zum Wasserstein-Regler ( $\pi_{W}$ ) eine reduzierte Konservativität. Während $\pi_{S}$ bei sehr kleinen Radien eine leicht höhere Verletzungsrate von Beschränkungen als $\pi_{W}$ aufwies, erfüllte er konsistent die erforderlichen Sicherheitsschwellenwerte und erreichte gleichzeitig deutlich niedrigere Regelkosten.
Trajektorienverhalten: Visualisierungen der Endzustände zeigten, dass $\pi_{S}$ -Trajektorien im Vergleich zu $\pi_{W}$ näher an der Grenze des zulässigen Bereichs blieben, was darauf hindeutet, dass die Sinkhorn-Ambiguitätsmenge eine weniger konservative Ausnutzung des Sicherheitsmargins ermöglicht, ohne Sicherheitsgarantien zu gefährden.
Rechenkomplexität: Das Problem wird mittels einer Golden-Schnitt-Suche über die duale Variable $\lambda$ gelöst, wobei jede Iteration ein konisches Optimierungsproblem löst. Der Ansatz ist für die getesteten Systemdimensionen rechnerisch machbar.

Bedeutung und Behauptungen

Der Beitrag behauptet, dass der vorgeschlagene Ansatz eine prinzipielle Möglichkeit bietet, Robustheit und Leistung im Reglerentwurf zu balancieren, wenn Daten knapp sind. Durch die Nutzung der Sinkhorn-Diskrepanz ermöglicht die Methode:

Vermeidung diskreter Artefakte: Sie verhindert, dass die Worst-Case-Verteilung in eine diskrete Menge von Punkten kollabiert, und erfasst dadurch besser die kontinuierliche Natur physikalischen Rauschens.
Integration von Vorwissen: Sie ermöglicht die nahtlose Integration von Vorwissen (über das Referenzmaß $\nu$ ) mit empirischen Daten.
Ermöglichung konvexer Optimierung: Sie wandelt ein potenziell nicht handhabbares unendlichdimensionales distributionell robustes Problem in ein handhabbares konvexes Programm um, selbst bei Vorhandensein von Sicherheitsbeschränkungen.

Die Autoren positionieren diese Arbeit als einen Schritt hin zu effektiverer distributionell robuster Regelung, insbesondere in sicherheitskritischen Anwendungen, bei denen der Kompromiss zwischen Sicherheitsgarantien und Leistung entscheidend ist. Sie weisen darauf hin, dass die aktuelle Arbeit zwar auf lineare Systeme und affine Politiken fokussiert ist, die hier etablierten theoretischen Eigenschaften von Sinkhorn-Mengen jedoch grundlegend für zukünftige Erweiterungen auf nichtlineare Systeme und gradientenbasierte Lösungsmethoden sind.