Gaussian behaviors: representations and data-driven control

1. Problema

El control basado en datos (data-driven control) ha ganado popularidad al utilizar el enfoque de sistemas conductuales para representar sistemas lineales invariantes en el tiempo (LTI) directamente a partir de datos, sin necesidad de identificación de modelos explícitos. Sin embargo, la mayoría de los métodos existentes (como el control predictivo basado en subespacios o DeePC) se basan en descripciones deterministas de los comportamientos del sistema.

Aunque se ha observado que la regularización en estos métodos mejora el rendimiento en escenarios con incertidumbre, la conexión teórica entre la regularización y la gestión de la incertidumbre estocástica no está completamente formalizada. Existe un debate sobre cómo extender las representaciones de datos al dominio estocástico de manera práctica. Los enfoques estocásticos existentes suelen ser demasiado abstractos o computacionalmente costosos (e.g., expansiones de caos polinomial), lo que limita su escalabilidad y aplicabilidad en control predictivo.

El problema central es desarrollar un marco de modelado estocástico que:

1. Sea compatible con la teoría de sistemas conductuales.
2. Permita cuantificar la incertidumbre en las trayectorias de manera natural.
3. Sea lo suficientemente simple para permitir formulaciones de control tratables y eficientes.
4. Explique teóricamente por qué la regularización en métodos como DeePC funciona.

2. Metodología

Los autores proponen un nuevo marco de modelado llamado "Comportamientos Gaussianos" (Gaussian Behaviors).

• Definición del Modelo: Se define un comportamiento de longitud finita $L$ como un vector aleatorio que sigue una distribución Gaussiana multivariada ($w \sim \mathcal{N}(\mu, \Sigma)$).
  • La media $\mu$ reside en un subespacio lineal (o afín), capturando la dinámica del sistema.
  • La matriz de covarianza $\Sigma$ captura la incertidumbre y las correlaciones temporales.
• Estimación de Datos: La matriz de covarianza $\Sigma$ se estima directamente a partir de los datos observados utilizando la covarianza muestral empírica ($\hat{\Sigma} = \frac{1}{D}WW^\top$). Esto proporciona una representación de datos del sistema que es el estimador de máxima verosimilitud bajo ciertas condiciones.
• Predicción: Se utiliza la distribución condicional de las salidas futuras dadas las entradas y las salidas pasadas para construir un modelo predictivo. La distribución predictiva resultante es también Gaussiana, con media y varianza calculadas analíticamente a partir de la covarianza muestral.
• Formulaciones de Control:
  1. Control de Equivalencia de Certidumbre (CE): Minimiza el costo esperado asumiendo que la distribución estimada es la verdadera. Se demuestra que esto es equivalente al Control Predictivo de Subespacios (SPC) clásico.
  2. Control Distribucionalmente Optimista: Se formula un problema donde se optimiza la media de la distribución dentro de un conjunto de incertidumbre definido por una divergencia de Kullback-Leibler (KL). Se demuestra teóricamente que este enfoque es equivalente al método DeePC (Data-enabled Predictive Control) con regularización. La regularización en DeePC se interpreta como una penalización de la desviación de la distribución estimada.
  3. Control Distribucionalmente Robusto: Para mitigar el exceso de optimismo del DeePC, se propone un enfoque min-max que minimiza el costo esperado bajo el peor caso de desviación dentro del conjunto de incertidumbre KL.

3. Contribuciones Clave

1. Marco de Modelado Unificado: Introducción de "Comportamientos Gaussianos" como una definición fundamental que unifica descripciones deterministas, modelos de espacio de estado estocásticos y representaciones basadas en datos.
2. Interpretación Teórica de la Regularización: Demostración de que el método DeePC regularizado es, en esencia, una formulación de control distribucionalmente optimista. Esto explica por qué la regularización mejora el rendimiento: gestiona la incertidumbre en la estimación de la media de la distribución predictiva.
3. Nueva Formulación Robusta: Propuesta de una formulación de control distribucionalmente robusto que evita el exceso de optimismo.
4. Reformulación Convexa: Se demuestra que el problema de control robusto propuesto puede reformularse como un problema de optimización convexa (cuadrática), permitiendo una implementación computacionalmente eficiente.
5. Conexión con la Teoría Conductual: Se establece que los comportamientos deterministas y los sistemas LTI estocásticos son casos especiales de los Comportamientos Gaussianos bajo ciertas restricciones en la covarianza.

4. Resultados

• Equivalencia con SPC: Se prueba que el control de equivalencia de certidumbre sobre un comportamiento gaussiano estimado es matemáticamente idéntico al Control Predictivo de Subespacios (SPC).
• Equivalencia con DeePC: Se demuestra que el problema de optimización distribucionalmente optimista (con restricción de divergencia KL) tiene el mismo minimizador que el DeePC regularizado con una norma proyectada 2-norm. Esto valida teóricamente el uso de la regularización en DeePC como un mecanismo para manejar la incertidumbre del modelo.
• Rendimiento del Control Robusto: La formulación robusta propuesta conduce a un problema convexo. Las simulaciones preliminares indican que, al aumentar el parámetro de ajuste (relacionado con el tamaño del conjunto de incertidumbre), la solución converge a la del control de equivalencia de certidumbre, y los costos de control realizados son comparables o mejores que los del DeePC en sistemas LTI, especialmente al mitigar el riesgo de sobre-optimismo.
• Tractabilidad: A diferencia de otros métodos estocásticos que crecen en complejidad con el orden de expansión, este enfoque mantiene una complejidad manejable al basarse en la covarianza muestral y la programación cuadrática.

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Puente Teórico: Cierra la brecha entre la teoría de sistemas conductuales (tradicionalmente determinista) y el control estocástico basado en datos, proporcionando una base matemática sólida para métodos populares como DeePC.
• Justificación de la Regularización: Ofrece una explicación rigurosa de por qué funciona la regularización en el control basado en datos: no es solo un truco numérico, sino una forma de optimizar bajo incertidumbre distribucional (enfoque optimista).
• Nuevas Herramientas de Control: Introduce una alternativa robusta al DeePC que es menos arriesgada (menos optimista) y garantiza la convexidad, lo cual es crucial para la implementación en tiempo real en sistemas críticos.
• Escalabilidad: Al evitar la necesidad de modelos de estado explícitos o expansiones polinomiales complejas, el método es escalable y se adapta bien a grandes volúmenes de datos, manteniendo la simplicidad de las técnicas de covarianza.

En resumen, el artículo redefine la manera en que se entiende y se diseña el control predictivo basado en datos, transformando la incertidumbre de un obstáculo en una variable de diseño explícita mediante la teoría de comportamientos gaussianos.