⚡ electrical engineering

Input-to-State Stability Certification via Projection Residuals for Koopman Learning Control of Nonlinear Repetitive Systems

Diese Arbeit etabliert ein datengesteuertes Framework zur Zertifizierung der Input-to-State-Stabilität (ISS) für die Koopman-gestützte Lernsteuerung unbekannter nichtlinearer repetitiver Systeme und zeigt auf, dass die praktische Stabilität über endliche Versuchshorizonte nicht nur von der Vorhersagegenauigkeit abhängt, sondern entscheidend von Kanalmargen und der expliziten Berücksichtigung von Projektionsresiduen.

Ursprüngliche Autoren: Yue Wu, Ye Cao, Jianfu Cao

Veröffentlicht 2026-07-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yue Wu, Ye Cao, Jianfu Cao

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 bringen einem Roboter eine repetitive Aufgabe bei, wie das Stapeln von Kisten oder das Lackieren einer Autotür. Sie möchten, dass der Roboter mit jedem Versuch (jedem „Trial“) besser wird. Dies nennt man Iterative Lernsteuerung (Iterative Learning Control).

Da der Roboter jedoch die exakte Physik der Welt nicht kennt (er ist „unbekannt“), verwendet er ein „kluges Schätzmodell“ (ein sogenanntes Koopman-Modell), das auf vergangenen Daten basiert, um seine Bewegungen für den nächsten Versuch anzupassen.

Das Problem ist: Nur weil das Modell des Roboters die Zukunft gut vorhersagt, bedeutet das nicht zwangsläufig, dass der Roboter auch tatsächlich besser bei der Aufgabe wird. Das Modell mag zwar genau sein, aber wenn der Robot physisch eingeschränkt ist (wie ein Auto, das nicht auf der Stelle wenden kann) oder wenn die Daten leicht fehlerhaft sind, könnte der Roboter tatsächlich schlechter werden oder sogar abstürzen.

Dieses Paper fungiert wie ein Sicherheitsinspektor, der prüft, ob der Lernplan des Roboters tatsächlich sicher ist, bevor er beginnt. Es erfindet keinen neuen Weg, wie der Roboter lernt; statlich liefert es ein mathematisches „Zertifikat“, das garantiert, dass der Roboter nicht aus der Bahn gerät.

Hier ist die Aufschlüsselung der Sicherheitsprüfung unter Verwendung einfacher Analogien:

1. Das „Sicherheitszertifikat“ (Input-to-State Stability)

Stellen Sie sich den Lernprozess des Roboters wie einen Ball vor, der einen Hügel hinunterrollt.

Das Ziel: Wir wollen, dass der Ball aufhört zu rollen und sich in einem kleinen, sicheren Tal (dem „ultimativen Band“) zur Ruhe setzt.
Die Gefahr: Wind, Unebenheiten und Bodenwellen (Störungen, Rauschen und Modellfehler) drücken den Ball immer wieder weg.
Das Zertifikat: Die Autoren beweisen, dass sich der Ball trotz all dieser Stöße schließlich in diesem sicheren Tal zur Ruhe setzen wird, vorausgesetzt, der „Hang“ des Hügels ist steil genug. Sie berechnen exakt, wie groß dieses Tal sein wird, basierend darauf, wie uneben die Straße ist.

2. Die drei großen Prüfungen

Das Paper argumentiert, dass man nicht nur prüfen darf, wie gut das Modell die Zukunft vorhersagt (Vorhersagegenauigkeit). Man muss drei spezifische Tests bestehen, um das Sicherheitszertifikat zu erhalten:

A. Der „Schwache Kanal“-Check (Kann der Roboter das wirklich tun?)

Stellen Sie sich vor, Sie bitten einen Lieferfahrer, ein schweres Sofa an einen bestimmten Ort zu bewegen.

Das Modell: Der Fahrer hat eine perfekte Karte und weiß genau, wo das Sofa steht.
Das Problem: Das Sofa ist zu schwer oder der Flur ist zu schmal. Selbst mit einer perfekten Karte kann der Fahrer das Sofa nicht exakt an diesen Punkt bewegen.
Die Einsicht des Papers: Wenn der „Kanal“ des Roboters (seine Fähigkeit, einen Befehl in eine Bewegung umzusetzen) „schwach“ ist (wie ein enger Flur), dann fällt das Sicherheitszertifikat durch, selbst wenn die Karte perfekt ist. Das Paper prüft, ob der Roboter genug „Muskelkraft“ und Platz hat, um die gewünschte Bewegung tatsächlich auszuführen.

B. Der „Projektionsresiduum“-Check (Das unerreichbare Ziel)

Manchmal fordert der Roboter eine Bewegung an, die aufgrund seiner Beschränkungen physisch unmöglich ist (wie die Aufforderung an ein Auto, sofort um 90 Grad zu wenden).

Die Metapher: Stellen Sie sich vor, Sie sagen einem Taxifahrer: „Fahre exakt zu Punkt X.“ Aber Punkt X liegt innerhalb eines verschlossenen Gebäudes. Der Fahrer kann zwar nah herankommen, aber nicht direkt dorthin.
Die Einsicht des Papers: Das „Projektionsresiduum“ ist die Distanz zwischen dem Ort, an den der Roboter will, und dem Punkt, den er unter seinen Beschränkungen tatsächlich erreichen kann. Das Paper behandelt diese „unerreichbare Lücke“ als garantierten Fehler. Es addiert diese Lücke zum Sicherheitsbudget, um sicherzustellen, dass das endgültige „sichere Tal“ groß genug ist, um diese Lücke abzudecken.

C. Der „Real-World-Noise“-Check (Die Kalibrierung)

Der Roboter lernt aus Daten, aber das reale Leben ist chaotisch.

Die Metapher: Sie testen ein neues Auto auf einer glatten Rennstrecke (Kalibrierung), aber Sie werden es auf holprigen Stadtstraßen fahren (Einsatz).
Die Einsicht des Papers: Die Autoren nutzen einen statistischen Trick (genannt „Split-Conformal Prediction“), um zu messen, wie stark die reale Welt von der Teststrecke abweichen könnte. Sie fügen eine „Sicherheitsmarge“ hinzu, um diesen Unterschied zu berücksichtigen, damit der Roboter auch dann sicher bleibt, wenn die reale Welt etwas schwieriger ist als der Test.

3. Das Ergebnis: Eine „Sicherheitszone“

Anstatt zu versprechen, dass der Roboter perfekt sein wird (Nullfehler), verspricht das Paper, dass der Roboter innerhalb einer garantierten Sicherheitszone bleiben wird.

Wenn der Roboter mit einem großen Fehler startet, wird dieser schnell schrumpfen.
Schließlich wird er sich in einem kleinen, berechenbaren Fehlerbereich einpendeln.
Die Größe dieses Bereichs wird vor dem Start des Roboters berechnet, basierend auf der Modellgenauigkeit, den physischen Grenzen des Roboters und dem erwarteten Rauschen.

Zusammenfassung des „Zertifikats“

Das Paper sagt: „Vertraue nicht nur der Vorhersage des Modells. Prüfe, ob der Roboter das Ziel physisch erreichen kann, prüfe, ob das Ziel zu weit für seine Beschränkungen ist, und füge einen Puffer für die Unordnung der realen Welt hinzu. Wenn du all das tust, können wir mathematisch garantieren, dass der Roboter sicher bleiben wird und seine Verbesserung stoppt, sobald er eine spezifische, berechenbare Grenze erreicht.“

Wenn eine dieser Prüfungen fehlschlägt (z. B. der Kanal zu schwach ist oder die Lücke zu groß ist), meldet das System „Nicht zertifiziert“ und verweigert den Betrieb des Roboters, um einen potenziellen Ausfall zu verhindern. Dies ist ein Wechsel von „hoffen, dass es funktioniert“ hin zu „genau wissen, wie gut es funktionieren wird“.

Technisches Resümee: Zertifizierung der Input-to-State-Stabilität mittels Projektionsresiduen für die Koopman-Lernsteuerung

1. Problemstellung

Die Arbeit adressiert die Stabilitätszertifizierung für datengestützte Koopman-Lernsteuerung unbekannter diskreter, nichtlinearer repetitiver Systeme über endliche Versuchshorizonte. Im Gegensatz zur klassischen iterativen Lernsteuerung (ILC), die oft eine Nullfehler-Konvergenz oder eine nominale monotone Konvergenz anstrebt, konzentriert sich diese Arbeit auf eine praktische Input-to-State-Stabilität (ISS) entlang der Lern-Versuchs-Achse ( $k$ ).

Die zentrale Herausforderung besteht darin, dass in datengestützten Umgebungen ein kleines Vorhersageresidual (Modellgüte) keine Stabilität garantiert. Die Stabilität hängt von folgenden Faktoren ab:

Informationsgehalt des Kanals: Der gewählte endliche Horizont des Ein-Ausgangs-Kanals muss eine positive Marge (Invertierbarkeit) aufweisen, um die angeforderte Ausgangskorrektur zu generieren.
Erreichbarkeit: Die angeforderte Ausgangsinkrement muss innerhalb des beschränkten erreichbaren Bereichs des gelernten Kanals liegen. Falls dies nicht der Fall ist, entsteht ein Projektionsresidual, das als persistente Störung wirkt.
Persistente Störungen: Faktoren wie Reset-Mismatch, nicht-repetitive Störungen, Identifikationsfehler des Kanals, Verschiebungen beim Einsatz (Deployment Shifts) und numerische Toleranzen verschwinden nicht über die Versuche hinweg.

Das Ziel ist die Konstruktion eines deterministischen Zertifikats, das den Lernfehler von einem Anfangszustand bis zu einem expliziten ultimativen Band begrenzt, indem Koopman-Residuen, Projektionsfehler und Unsicherheiten als ISS-Inputs behandelt werden.

2. Methodik

Systemformulierung

Das System wird als nichtlineare repetitive Aufgabe modelliert, bei der sich Zustand $x_k(t)$ , Eingang $u_k(t)$ und Ausgang $y_k(t)$ über einen innerhalb eines Versuchs liegenden Horizont $t \in \{0, \dots, N-1\}$ und einen Versuchsindex $k$ entwickeln. Der Regler verwendet eine eingefrorene Koopman-Operator-Approximation (mittels Extended Dynamic Mode Decomposition mit Control, EDMDc), um die Eingänge Versuch für Versuch zu aktualisieren.

Die Lern-Dynamik wird als diskretes Zeitsystem auf der Versuchs-Achse formuliert:
$\bar{E}_k = \Lambda \bar{E}_{k-1} + r_k$
wobei $\bar{E}_k$ der ausgewählte gestapelte Tracking-Fehler ist, $\Lambda$ eine Lernmatrix mit $\|\Lambda\|_\infty < 1$ darstellt und $r_k$ alle Störungsquellen aggregiert.

Kernkomponenten des Zertifikats

Die Autoren zerlegen den Störungsbegriff $r_k$ (den ISS-Input) in spezifische, prüfbare Komponenten:

Koopman-Residuen ( $\omega_k$ ): Modellabweichung und nicht-repetitive Störungen.
Projektionsresiduen ( $p_k$ ): Die Distanz zwischen dem angeforderten Ausgangsinkrement und dem beschränkten erreichbaren Bereich des gelernten Kanals. Dies ist eine strukturelle Limitation, nicht bloß ein numerischer Fehler.
Kanalunsicherheit ( $\Delta G_k \Delta U_k$ ): Fehler in der gelernten endlichen Horizont-Kanalsmatrix.
Reset-/Observabilitäts-Perturbationen ( $\Delta O_k \Delta z_{k,0}$ ): Abweichungen in den Anfangsbedingungen und der Observabilität.
Deployment-Shifts und numerische Toleranzen: Unterschiede zwischen Kalibrierungs- und Einsatzverteilungen sowie Solver-Fehler.

Zertifizierungsprotokoll

Die Arbeit schlägt ein rejektionsfähiges Zertifizierungsverfahren (Algorithmus 1) vor, das einen Kandidaten-Regler vor dem Einsatz validiert:

Modellanpassung: Lernen der Koopman-Matrizen aus Identifikationsdaten.
Margenverifikation: Prüfung, ob der ausgewählte Kanal eine positive untere Singulärwert-Marge ( $\sigma_{\min} - \epsilon > 0$ ) besitzt. Falls nicht, wird der Kandidat abgelehnt (Schwachkanal-Nicht-Zertifizierbarkeit).
Projektions-Audit: Berechnung des Worst-Case-Projektionsbudgets über den zertifizierten Anforderungsbereich.
Invarianzprüfung: Verifizierung, dass die Kontraktionsbedingung $\lambda R + P(R, \bar{Z}_0) + \bar{\xi} \leq R$ erfüllt ist, um sicherzustellen, dass der Fehler innerhalb einer zertifizierten Kugel bleibt.
Finite-Sample-Kalibrierung: Verwendung von Split-Conformal-Prediction auf einem Kalibrierungsdatensatz, um den Residuen-Score der vollständigen Episode mit einem spezifizierten Risikoniveau zu begrenzen.

Theoretische Ergebnisse

Theorem 1 (Deterministische praktische ISS): Es stellt fest, dass bei positiver Kanalmarge und beschränkten Perturbationen der Lernfehler geometrisch gegen ein ultimatives Band $\Delta_{ISS} = \bar{w} / (1-\lambda)$ konvergiert, wobei $\bar{w}$ das aggregierte Perturbationsbudget ist.
Theorem 2 (Finite-Sample ISS-Budget): Liefert eine probabilistische Schranke für $\bar{w}$ , indem der Split-Conformal-Residuen-Score mit deterministischen Schranken auf Kanalunsicherheit, Projektionsresiduen und Deployment-Shifts kombiniert wird.

3. Wesentliche Beiträge

Praktische ISS-Formulierung: Die Arbeit formuliert die Stabilität der Koopman-Lernsteuerung als praktisches ISS-Problem entlang der Versuchs-Achse und trennt dabei explizit die Modellgüte von der Lern-Zertifizierbarkeit.
Projektionsresiduen als Stabilitätsobjekte: Sie identifiziert Projektionsresiduen und ausgewählte Kanalmargen als notwendige Zertifikatsobjekte. Sie zeigt auf, dass ein Prädiktor mit kleinen Residuen dennoch die Stabilitätszertifizierung verfehlen kann, wenn der Kanal schwach oder die Anforderung unerreichbar ist.
Berechenbares Zertifikatsbudget: Die Autoren bieten eine Methode zur Konstruktion eines expliziten ultimativen Bandes durch Kombination von:
- Vollständiger Episoden-Residuen-Kalibrierung (via Split-Conformal-Methoden).
- Endlichen Horizont-Kanal- und Reset-Margen.
- Projektionsresiduen.
- Implementierungsmargen (Shift, numerisch).
Audit-Framework: Ein numerisches Audit-Framework wurde entwickelt, um jede Komponente der Theorie (Residuum-zu-Band-Skalierung, Schwachkanal-Ablehnung, Projektions-Abschluss und Ultimatives-Band-Abdeckung) zu verifizieren, anstatt lediglich die Tracking-Performance zu vergleichen.

4. Numerische Ergebnisse und Validierung

Die Arbeit validiert die Theorie an vier nichtlinearen repetitiven Systemen: einem Duffing-Oszillator (Closed-Loop- und Budget-Audits), einem kubischen Dämpfungsoszillator und einem nichtlinearen Servoregler.

Residuum-zu-Band-Skalierung: Experimente bestätigen, dass zunehmende Störungen, Rauschen oder Modellabweichungen das zertifizierte ultimative Band linear erhöhen, konsistent mit der ISS-Verstärkung $\gamma(s) = s/(1-\lambda)$ .
Schwachkanal-Ablehnung: Fälle mit „schwachen“ ausgewählten Kanälen (niedrige Singulärwerte) werden korrekt durch das Zertifikat abgelehnt, selbst wenn ihre Vorhersageresiduen klein sind. Dies unterstreicht, dass Vorhersagegenauigkeit allein nicht ausreicht.
Projektions-Abschluss (Projection Closure): Das Audit verifiziert, dass die angeforderten Ausgangskorrekturen innerhalb des beschränkten erreichbaren Bereichs für zertifizierte Kandidaten liegen.
Ultimatives-Band-Abdeckung: In erfolgreichen Versuchen treten die beobachteten Tracking-Fehler nach einem zertifizierten endlichen Eintrittsindex in das theoretisch vorhergesagte ultimative Band ein und bleiben darin.
Ablationsstudien: Die Arbeit zeigt, dass „nominale“ Regler (mit Null-Residuenbudget) die Zertifizierung verfehlen, während dieselben Regler zertifizierbar werden, wenn das kalibrierte Residuenbudget einbezogen wird. Umgekehrt erweitert ein konservativ zu hoch angesetztes Budget das ultimative Band und erhält die Abdeckung.

5. Bedeutung und Ansprüche

Die Arbeit beansprucht, ein praktisches, datengestütztes Stabilitätszertifikat für die Koopman-Lernsteuerung bereitzustellen, das sich von der traditionellen Konvergenzanalyse unterscheidet.

Trennung der Zuständigkeiten: Sie trennt rigoros zwischen Modellgüte (Vorhersageresiduen) und Regler-Zertifizierbarkeit (Kanalmargen und Erreichbarkeit). Ein guter Prädiktor ist nicht automatisch ein stabilisierender Regler.
Explizite Schranken: Im Gegensatz zu asymptotischen Ergebnissen bietet diese Methode eine explizite, berechenbare ultimative Schranke auf den Tracking-Fehler vor dem Einsatz, welche die endliche Datenmenge, Constraints und persistente Störungen berücksichtigt.
Robustheit gegenüber Nicht-Idealitäten: Das Framework berücksichtigt explizit Reset-Mismatch, Deployment-Shifts und numerische Toleranzen, indem es diese als ISS-Inputs behandelt, anstatt anzunehmen, dass sie verschwinden.
Begrenzter Umfang: Die Autoren betonen, dass es sich um ein endlichen Horizonts und protokollabhängiges Zertifikat handelt. Es beansprucht keine universelle Stabilität für beliebige gelernte Regler, sondern bietet einen rigorosen Audit-Pfad für spezifische, eingefrorene Regelkonfigurationen unter definierten Protokollen.

Die Arbeit kommt zu dem Schluss, dass Koopman-Lernsteuerung nur dann als stabil zertifiziert werden kann, wenn Modellresiduen, Projektionsresiduen und Kanalmargen als distinkte, prüfbare Stabilitätsgrößen berichtet werden.