⚡ electrical engineering

Adversarial Observability and Performance Trade-offs in Optimal Control

Este artículo presenta un controlador de retroalimentación que minimiza la observabilidad de sensores adversarios en un sistema lineal bajo estrictas restricciones de rendimiento, estableciendo límites teóricos y formulando la optimización mediante programación semidefinida para lograr una reducción significativa de la observabilidad sin comprometer el desempeño del sistema.

Autores originales: Filippos Fotiadis, Ufuk Topcu

Publicado 2026-02-24

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Filippos Fotiadis, Ufuk Topcu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres el piloto de un avión de alta tecnología (un sistema autónomo) y hay un espía en el cielo con un telescopio muy potente (el adversario). Tu misión es volar hacia tu destino de la manera más eficiente y segura posible, pero también quieres que el espía no pueda adivinar a dónde vas, qué estás planeando o incluso qué estado tiene tu avión en este momento.

Este artículo trata sobre cómo diseñar un "piloto automático" inteligente que logre un equilibrio difícil: volar perfectamente bien, pero al mismo tiempo hacer que sea casi imposible para el espía verte o entenderte.

Aquí te explico los conceptos clave usando analogías sencillas:

1. El Dilema: Eficiencia vs. Ocultamiento

Normalmente, si quieres que un avión vuele de la forma más eficiente, sigues una ruta recta y predecible. Pero si el espía te ve, sabe exactamente a dónde vas.

La solución antigua: Cambiar de modo constantemente (como un camuflaje que se enciende y apaga). Esto es como si el avión cambiara de color o de forma cada segundo. El problema es que esto hace que el vuelo sea inestable, tosco y peligroso.
La solución de este papel: En lugar de cambiar de modo, el piloto automático ajusta su vuelo de forma muy sutil. Es como si el avión decidiera moverse de una manera que, aunque sigue siendo suave y eficiente, confunde al telescopio del espía.

2. La "Huella Digital" del Avión (La Gramiana de Observabilidad)

Para entender cómo se esconde el avión, los autores usan una herramienta matemática llamada Gramiana de Observabilidad.

La analogía: Imagina que el avión deja un rastro de luz en el cielo.
- Si el rastro es brillante y claro, el espía puede ver todo perfectamente.
- Si el rastro es tenue o borroso, el espío se confunde.
Los autores miden dos cosas sobre este "rastro":
1. El brillo promedio (Traza de la Gramiana): ¿Qué tan brillante es el rastro en general? El objetivo es hacerlo lo más tenue posible.
2. Los puntos ciegos (Inversa de la Gramiana): ¿Hay partes del rastro que son tan oscuras que el espío no puede ver nada? El objetivo es crear "agujeros negros" en la información donde el espío no pueda reconstruir la posición del avión.

3. El Trato (La Compensación)

No puedes ser invisible y volar a la velocidad de la luz al mismo tiempo sin gastar más energía. Aquí entra el concepto de compensación (trade-off).

Imagina que tienes un presupuesto de "eficiencia". Si gastas un 1% de tu presupuesto en eficiencia para volar un poco menos rápido o con un poco más de vibración, ¿cuánto más difícil le haces la vida al espío?
El paper demuestra que incluso con una pequeña pérdida de eficiencia (un 1% o 5%), puedes hacer que el espío pierda mucha información. Es como si al caminar un poco más lento, pudieras dejar un rastro de migas de pan tan confuso que nadie pudiera seguir tu camino.

4. Las Dos Estrategias (Los Algoritmos)

Los autores proponen dos formas de calcular este "piloto automático" secreto:

Estrategia A (El Camuflaje General): Busca que el rastro de luz sea tenue en todas partes. Es como si el avión se envolviera en una niebla suave. Esto se resuelve con una herramienta matemática llamada "Programación Semidefinida" (una caja mágica que encuentra la solución perfecta de una vez).
Estrategia B (El Camuflaje Extremo): Busca crear puntos ciegos totales. Es como si el avión decidiera apagar completamente las luces de una parte específica, haciendo que el espío no pueda ver esa parte del avión en absoluto, aunque el resto se vea normal. Esto es más difícil de calcular y requiere un proceso paso a paso (iterativo), como esculpir una estatua poco a poco.

5. El Resultado en la Vida Real

Probaron esto con un modelo de avión real (el ADMIRE).

Sin el truco: El espío veía el avión claramente y podía predecir su trayectoria.
Con el truco: El avión volaba casi igual de bien (casi tan eficiente como el mejor vuelo posible), pero el espío, al intentar adivinar dónde estaba el avión, cometía errores enormes. En algunos casos, el espío pensaba que el avión estaba en un lugar cuando en realidad estaba en otro, o no podía saber si el avión estaba girando o recto.

En Resumen

Este paper es como un manual para diseñar ilusionistas de la ingeniería. Enseña a los ingenieros cómo programar robots, drones o aviones para que hagan su trabajo de manera casi perfecta, pero al mismo tiempo, "baile" de una manera tan inteligente que cualquier espía que intente mirarlos termine viendo solo confusión, sin sacrificar la seguridad ni la eficiencia del vuelo.

Es la ciencia de ser tan bueno que eres invisible.

Resumen Técnico: Observabilidad Adversarial y Compensaciones de Rendimiento en Control Óptimo

1. Planteamiento del Problema

El artículo aborda un desafío crítico en los sistemas autónomos: la necesidad de operar de manera segura frente a adversarios que intentan inferir el estado o la intención del sistema utilizando sensores externos (ej. radar, imágenes ópticas).

Contexto: Los sistemas autónomos a menudo deben cumplir objetivos de rendimiento óptimo (estabilización), pero también necesitan minimizar la capacidad de un adversario para reconstruir su estado a partir de mediciones parciales.
Limitaciones de enfoques previos: Métodos existentes como la "defensa de objetivos móviles" (cambiar modos de control aleatoriamente) pueden introducir discontinuidades y degradar el rendimiento o la seguridad. Otros enfoques tratan la observabilidad como una restricción binaria (observable/no observable) o se centran en la topología de la red en lugar del diseño del controlador.
Objetivo Principal: Diseñar un controlador de retroalimentación lineal que:
1. Estabilice el sistema lineal hacia el origen con un rendimiento óptimo (o casi óptimo).
2. Minimice continuamente la observabilidad de un conjunto de sensores adversarios, sin depender de la conmutación de modos.
3. Cuantifique la compensación (trade-off) fundamental entre la degradación del rendimiento y la reducción de la observabilidad.

2. Metodología y Formulación Matemática

Modelo del Sistema:
Se considera un sistema lineal continuo de tiempo:
$\dot{x}(t) = Ax(t) + Bu(t), \quad y(t) = Cx(t)$
Donde el operador tiene acceso al estado completo $x(t)$ , mientras que el adversario solo observa la salida parcial $y(t)$ a través de la matriz de sensado $C$ . El operador diseña una ley de control $u(t) = Kx(t)$.

Métricas de Observabilidad:
Para cuantificar la observabilidad adversarial, los autores utilizan las Gramianas de Observabilidad ( $W$ ) y su inversa, en lugar de tests de rango binarios. Se proponen dos métricas de costo basadas en el trazo (trace):

$J_{o1}(K) = \text{tr}(WV)$ : Cuantifica la observabilidad promedio en todas las direcciones del espacio de estados. Minimizar esto reduce la energía total que el sistema "filtra" hacia el adversario.
$J_{o2}(K) = -\text{tr}(W^{-1}V^{-1})$ : Se inclina hacia las direcciones menos observables. Maximizar esto (o minimizar el trazo de la inversa) busca hacer que el sistema sea lo más cercano posible a ser inobservable (haciendo que la Gramiana sea singular).

Problemas de Optimización:
El problema se formula como una optimización con restricciones de rendimiento estrictas. Se define un parámetro de compensación $\lambda > 0$ que limita la degradación del rendimiento respecto al controlador LQR óptimo ( $K^*$ ).

Problema 1: Minimizar $\text{tr}(WV)$ sujeto a que el costo de rendimiento $J_s(K)$ no exceda $J_s(K^*) + \lambda$ .
Problema 2: Maximizar $\text{tr}(W^{-1}V^{-1})$ (minimizar su inversa) sujeto a la misma restricción de rendimiento. Se introduce una regularización $\epsilon$ en la ecuación de Lyapunov para evitar la singularidad de $W$ durante el cálculo.

3. Contribuciones Clave

Límites Inferiores Teóricos:
Los autores derivan límites inferiores analíticos para los valores óptimos de las métricas de observabilidad en función del parámetro de compensación $\lambda$ .
- Demuestran que pequeñas pérdidas de rendimiento ( $\lambda$ pequeño) pueden generar disminuciones significativas en la observabilidad promedio (Problema 1).
- Por el contrario, para hacer el sistema casi inobservable (Problema 2), se requieren mayores compensaciones de rendimiento, lo que permite que la inversa de la Gramiana crezca rápidamente.
Soluciones Algorítmicas:
- Para el Problema 1 (Trazo de $W$ ): Se demuestra que el problema puede reformularse exactamente como un Programa Semidefinido (SDP). Esto permite una solución global y eficiente utilizando solvers estándar.
- Para el Problema 2 (Trazo de $W^{-1}$ ): Dado que la función objetivo es no convexa, se propone un algoritmo de Programación Semidefinida Secuencial (Sequential SDP) basado en el procedimiento convexo-cóncavo (CCP). Se transforma el problema en una diferencia de funciones convexas (DC) para garantizar la convergencia a un punto estacionario.
Robustez ante Incertidumbre:
Se analiza el caso en que el operador no conoce la matriz $C$ exacta del adversario, sino solo un superconjunto de sus posibles sensores. Se demuestra que diseñar el controlador para este superconjunto proporciona una cota superior certificada para la observabilidad real del adversario.

4. Resultados de Simulación

Los autores validan su enfoque en dos escenarios:

Ejemplo Intuitivo (Sistema 2D):
- Se muestra cómo el controlador diseñado logra desacoplar estados del sistema, haciendo que uno sea inobservable para el adversario mientras mantiene el rendimiento cercano al óptimo.
- Se verifica que los límites inferiores teóricos calculados son correctos y que las curvas de compensación coinciden con la intuición: pequeños sacrificios de rendimiento reducen drásticamente la observabilidad promedio, mientras que grandes sacrificios son necesarios para maximizar la incertidumbre en la dirección menos observable.
Avión ADMIRE (Sistema 5 estados, 7 entradas):
- Escenario 1 (Minimizar trazo promedio - Alg. 1): El controlador reduce significativamente los autovalores más grandes de la Gramiana, degradando la estimación del adversario en múltiples direcciones con una pérdida de rendimiento mínima.
- Escenario 2 (Maximizar trazo inverso - Alg. 2): El controlador empuja el autovalor mínimo de la Gramiana hacia cero, haciendo que el sistema sea casi inobservable. Esto resulta en errores de estimación masivos para el adversario en la dirección más débil, aunque con un costo de rendimiento ligeramente mayor.
- Comparación: Las simulaciones con un observador de Luenberger (simulando al adversario) confirman que los controladores propuestos aumentan drásticamente el error de estimación del adversario, mientras que el costo de control (LQR) se mantiene dentro de los límites permitidos por $\lambda$ .

5. Significado e Impacto

Este trabajo es significativo por varias razones:

Cambio de Paradigma: Pasa de tratar la seguridad como una restricción binaria o una estrategia de conmutación de modos a un problema de optimización continua y suave.
Fundamentos Teóricos: Establece límites fundamentales sobre cuánto se puede ocultar un sistema sin sacrificar su funcionalidad operativa, proporcionando una base matemática para el diseño de sistemas seguros.
Viabilidad Computacional: Al convertir el problema de minimización de observabilidad en SDPs (exactos o aproximados), ofrece herramientas prácticas para ingenieros de control para diseñar sistemas autónomos resilientes a la vigilancia.
Aplicabilidad: Es directamente aplicable a dominios críticos como la aviación, defensa y operaciones espaciales, donde la ocultación de la intención y el estado es tan importante como la estabilidad del vuelo.

En conclusión, el paper demuestra que es posible diseñar controladores que "engañen" activamente a los sensores adversarios degradando su capacidad de reconstrucción de estados, manteniendo al mismo tiempo un rendimiento operativo aceptable y cuantificable.