Excitation of control-affine systems and Koopman error bounds

Resumen Técnico: Excitación de Sistemas Afines al Control y Límites de Error de Koopman

Formulación del Problema
El artículo aborda el desafío de identificar sistemas dinámicos afines al control a partir de datos utilizando el marco del operador de Koopman, específicamente mediante la Descomposición de Modos Dinámicos Extendida (EDMD). Si bien los métodos basados en datos como EDMD son potentes para modelar sistemas complejos, extenderlos a sistemas afines al control (que generan modelos sustitutos bilineales) introduce requisitos de datos significativos. El problema central identificado es que la precisión y la robustez del proceso de identificación del sistema dependen fuertemente de la calidad de los datos de entrada. Específicamente, los límites del error de aproximación para estos modelos son inversamente proporcionales al valor singular más pequeño ($\sigma_{\min}$) de la matriz de datos de entrada. Si los datos de entrada no son lo suficientemente "excitantes" (es decir, si las entradas están mal distribuidas o correlacionadas), $\sigma_{\min}$ se vuelve pequeño, lo que conduce a límites de error grandes y un rendimiento de control poco fiable. El artículo busca establecer directrices para la selección de entradas con el fin de maximizar este valor singular, asegurando así una identificación robusta y límites de error fiables para aplicaciones de control.

Metodología
Los autores desarrollan un marco centrado en el problema de regresión utilizado para estimar el mapeo afín al control $y = g_0(x) + G(x)u$. La metodología avanza a través de varias etapas analíticas:

1. Análisis de Límites de Error: El artículo establece primero que el error en la estimación de los parámetros del sistema ($g_0$ y $G$) está acotado por la relación entre la magnitud de la perturbación y $\sigma_{\min}(V)$, donde $V$ es la matriz de datos compuesta por una fila de unos y los vectores de entrada.
2. Condiciones de Optimalidad: Los autores derivan condiciones necesarias y suficientes para maximizar $\sigma_{\min}(V)$.
   • Una condición necesaria es que la suma de los vectores de entrada sea cero ($U\mathbf{1} = 0$).
   • Bajo esta condición, escalar las entradas apropiadamente permite que la matriz alcance el límite teórico superior para el valor singular más pequeño.
   • Se identifican configuraciones óptimas específicas: entradas ortogonales (Corolario 3.3) y entradas que forman los vértices de un simplex regular (Proposición 3.5).
3. Ángulos de Subespacio y Recolección Secuencial: Reconociendo que las aplicaciones prácticas a menudo implican la recolección secuencial de datos en lugar del diseño a priori de todas las entradas, los autores introducen un enfoque geométrico utilizando ángulos de subespacio. Derivan un límite inferior para $\sigma_{\min}(V)$ basado en los ángulos entre los nuevos vectores de entrada y el subespacio generado por las entradas existentes. Esto conduce a una estrategia donde, dado un conjunto de entradas aleatorias, se elige una entrada adicional específica (o se reemplaza una existente) para maximizar los ángulos de subespacio, maximizando así el valor singular mínimo.
4. Integración con el Marco de Koopman: Estos resultados teóricos se aplican a dos variantes específicas de EDMD:
   • EDMD Bilineal con Control (EDMDc): El marco permite un muestreo flexible, donde los datos no necesitan recolectarse en valores de control específicos y predefinidos (como vectores unitarios), sino que pueden inferirse a partir de grupos de datos generales.
   • Kernel EDMD: Los autores extienden los límites de error existentes para métodos basados en kernels al entorno afín al control, proporcionando límites de error uniformes que verifican rigurosamente los supuestos requeridos para el Control Predictivo basado en Modelos (MPC) impulsado por datos.

Contribuciones Clave

• Marco de Ajuste de Datos: Un nuevo marco para el ajuste de mapeos afines al control que vincula explícitamente la selección de la entrada con el margen de robustez del problema de identificación.
• Condiciones de Optimalidad: Derivación de condiciones necesarias y suficientes para la optimalidad de la entrada para maximizar el valor singular mínimo de la matriz de datos, incluyendo construcciones explícitas para entradas ortogonales y basadas en simplex.
• Directrices Geométricas para Datos Secuenciales: Una directriz práctica utilizando ángulos de subespacio para determinar cómo seleccionar entradas adicionales para mejorar el condicionamiento en escenarios de aprendizaje secuencial u online.
• Límites de Error Uniformes: La derivación de límites de error uniformes para EDMDc bilineal y Kernel EDMD en presencia de estructuras afines al control. Estos límites dependen de la distancia de llenado del espacio de estados y del condicionamiento de los datos de entrada.
• Muestreo Flexible: Un método para construir puntos de datos artificiales (por ejemplo, respuestas a entradas de vectores unitarios) a partir de colecciones de datos generales y flexibles, eliminando los requisitos de muestreo restrictivos.

Resultos
El artículo valida el enfoque propuesto a través de dos escenarios de aplicación:

1. Cuerpo Rígido de Flotación Libre (Entrada 6D): El estudio compara cuatro estrategias de excitación: entradas aleatorias, entradas ortogonales, vértices de simplex y una estrategia basada en ángulos de subespacio. Los resultados muestran que mientras las entradas aleatorias producen un $\sigma_{\min}$ significativamente menor y errores de aproximación más altos, las estrategias propuestas (especialmente el enfoque basado en ángulos de subespacio) logran valores de $\sigma_{\min}$ cercanos al máximo teórico, reduciendo drásticamente los errores de aproximación del campo vectorial.
2. Robot Móvil No Holonómico (Entrada 2D): El marco se aplica a un robot móvil utilizando EDMDc bilineal. Los resultados demuestran que el uso de las estrategias de excitación propuestas (incluso con un número mínimo de puntos de datos) conduce a modelos sustitutos de Koopman con errores de predicción de un solo paso significativamente menores en comparación con el muestreo aleatorio. El estudio también muestra que aumentar el número de entradas aleatorias puede mitigar los errores, pero la selección guiada geométricamente logra una alta precisión con menos muestras.

Significancia
El artículo afirma que sus contribuciones son significativas para la aplicación fiable del control impulsado por datos en sistemas críticos para la seguridad. Al proporcionar condiciones de selección de entrada explícitas y geométricamente interpretables, este trabajo cierra la brecha entre la identificación de sistemas teórica y la recolección de datos práctica. Los límites de error derivados son cruciales para la verificación formal de propiedades de bucle cerrado, como la estabilidad asintótica en el Control Predictivo basado en Modelos (MPC). Además, la capacidad de realizar un muestreo flexible permite la identificación de sistemas afines al control en escenarios donde la recolección de datos con entradas de control específicas y predefinidas es impráctica o imposible, haciendo que el enfoque sea aplicable a problemas de ingeniería del mundo real como la robótica y la dinámica de vehículos.