⚡ electrical engineering

Stability of data-driven Koopman MPC with terminal conditions

Este artículo establece condiciones que garantizan la viabilidad recursiva y la estabilidad asintótica del Control Predictivo Basado en Modelos (MPC) con condiciones terminales, utilizando un modelo sustituto impulsado por datos mediante la descomposición dinámica extendida de núcleo (kEDMD) del operador de Koopman, incluso en presencia de errores de aproximación acotados proporcionalmente al estado y a la entrada.

Autores originales: Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

Publicado 2026-04-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Irene Schimperna, Lea Bold, Johannes Köhler, Karl Worthmann, Lalo Magni

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 quieres enseñarle a un robot a conducir un coche por una ciudad llena de curvas y obstáculos, pero hay un problema: no tienes el manual de instrucciones del coche. No sabes exactamente cómo responde el motor a cada pedalada o giro del volante.

Lo que haces es observar al coche conduciendo durante un tiempo, anotar miles de datos y luego le pides a una inteligencia artificial (IA) que cree un "gemelo digital" o un modelo de juguete que imite cómo se comporta el coche real.

Este es el corazón de lo que hacen los autores de este artículo. Vamos a desglosarlo con analogías sencillas:

1. El Problema: El "Gemelo" nunca es perfecto

El robot usa este "gemelo digital" (llamado modelo basado en datos o surrogate model) para planear sus movimientos. Pero, como el gemelo se construyó con datos y no con las leyes físicas exactas, siempre tiene pequeños errores.

La situación: El robot piensa: "Si giro el volante 10 grados, el coche girará exactamente así".
La realidad: El coche real podría girar un poquito más o menos porque el modelo no es 100% exacto.

Si el robot confía ciegamente en su modelo imperfecto, podría chocar o volverse inestable. La pregunta del artículo es: ¿Cómo podemos garantizar que el robot llegue a su destino (el centro de la ciudad) de forma segura y estable, a pesar de que su mapa (el modelo) tenga pequeños errores?

2. La Solución: El "Plan de Rescate" y las "Reglas de Seguridad"

Los autores proponen una estrategia de control llamada MPC (Control Predictivo Basado en Modelos). Imagina que el robot no solo mira al frente, sino que simula mentalmente 10 pasos adelante para ver qué pasa.

Para que esto funcione con un modelo imperfecto, necesitan dos cosas mágicas:

A. La "Cinta de Ajuste" (Constraint Tightening)

Como el modelo puede fallar un poco, el robot no puede usar todo el camino disponible. Imagina que el camino tiene 2 metros de ancho. El robot, sabiendo que su modelo es un poco torpe, decide conducir solo por el carril central de 1 metro, dejando un metro de margen a cada lado.

En el papel: Esto se llama "estrechamiento de restricciones". Si el modelo se equivoca, el robot tiene ese espacio extra para corregir sin chocar contra los bordes.

B. La "Regla de Oro": El Error debe ser Proporcional

Aquí está la parte más importante y genial del artículo. Para garantizar que el robot se detenga exactamente en el centro (estabilidad), el error del modelo debe cumplir una regla especial:

El error debe ser como una sombra: Cuando el robot está lejos del centro, el error puede ser grande (como una sombra larga). Pero cuanto más cerca esté del centro, más pequeño debe ser el error.
Si el robot está justo en el centro (el objetivo), el error debe ser cero.
La analogía: Imagina que el modelo es un mapa dibujado por un niño. Si el niño dibuja la ciudad entera, los errores serán grandes. Pero si el niño se enfoca solo en la plaza central y dibuja esa plaza con mucho cuidado, el error será casi nulo justo donde el robot necesita aterrizar.

El artículo demuestra matemáticamente que si el modelo cumple esta "Regla de Oro" (el error es proporcional a la distancia), el robot siempre llegará a la meta y se mantendrá allí, sin importar los pequeños fallos del modelo.

3. La Herramienta Mágica: El "Koopman" y el "kEDMD"

¿Cómo consiguen que el modelo cumpla esta regla de oro? Usan una técnica matemática avanzada llamada kEDMD (basada en el Operador de Koopman).

La analogía: Imagina que el movimiento del coche es como una danza compleja y caótica. El Operador de Koopman es como una cámara especial que transforma esa danza caótica en una serie de movimientos simples y lineales (como si el caos se convirtiera en una cuadrícula ordenada).
Al usar esta técnica con funciones de núcleo (kernels), los autores logran crear un modelo que, por diseño, tiene ese error "proporcional" que necesitan. Es como si el modelo estuviera "entrenado" para ser perfecto justo en el punto donde el robot necesita aterrizar.

4. El Experimento: El Oscilador de Van der Pol

Para probar su teoría, usaron un sistema matemático famoso que simula un corazón latiendo o un péndulo que se mueve de forma extraña (el oscilador de Van der Pol).

Resultado: Cuando usaron su método especial (que asegura que el error sea proporcional), el robot logró detenerse exactamente en el centro.
Comparación: Cuando usaron un método normal (sin esa regla de oro), el robot se acercaba mucho, pero nunca se detenía del todo; se quedaba dando vueltas en un pequeño círculo alrededor del centro. ¡El método nuevo ganó!

En Resumen

Este artículo nos dice: "No necesitas un modelo perfecto para controlar un sistema complejo. Solo necesitas un modelo que sea 'perfectamente imperfecto' de la manera correcta: que sus errores desaparezcan a medida que te acercas a la meta."

Gracias a esto, podemos usar modelos aprendidos de datos (que son más fáciles de conseguir) para controlar robots, coches autónomos o incluso el páncreas artificial de niños diabéticos, garantizando que siempre lleguen a su destino de forma segura.

Estabilidad del MPC basado en Koopman con datos y condiciones terminales

1. Planteamiento del Problema

El Control Predictivo Basado en Modelos (MPC) es una herramienta poderosa, pero su aplicación tradicional requiere un modelo dinámico preciso del sistema. En los últimos años, ha crecido el uso de modelos sustitutos (surrogate models) basados en datos para el MPC, especialmente para sistemas no lineales complejos donde la modelación física es difícil.

Sin embargo, surgen dos desafíos críticos cuando se utilizan modelos aprendidos de datos (como los basados en el Operador de Koopman):

Errores de aproximación: Los modelos basados en datos nunca son exactos. La presencia de errores rompe las garantías teóricas estándar de estabilidad y factibilidad recursiva del MPC.
Garantías de estabilidad: La mayoría de los enfoques existentes o bien no garantizan la estabilidad asintótica (solo estabilidad práctica) o requieren condiciones de error muy restrictivas que no siempre se cumplen en la práctica.

El objetivo de este trabajo es establecer condiciones bajo las cuales un MPC con condiciones terminales, que utiliza un modelo sustituto basado en datos (específicamente mediante el operador de Koopman), pueda estabilizar asintóticamente un sistema no lineal desconocido, a pesar de los errores de aproximación.

2. Metodología

Los autores proponen un marco teórico y algorítmico que combina la teoría de control robusto con la aproximación de sistemas dinámicos mediante el Operador de Koopman.

Modelo de Control: Se considera un sistema discreto no lineal desconocido $x^+ = f(x, u)$ . El controlador utiliza un modelo sustituto $x^+ = f^\varepsilon(x, u)$ en el paso de optimización.
Condiciones de Error (Hipótesis 1): Se asume la existencia de límites de error proporcionales y uniformes.
- Proporcional: El error $\|f(x,u) - f^\varepsilon(x,u)\|$ es linealmente proporcional a la norma del estado y la entrada ( $\|x\| + \|u\|$ ). Esto es crucial porque implica que el error tiende a cero a medida que el sistema se acerca al equilibrio (origen).
- Uniforme: Existe un límite superior constante $\eta_\varepsilon$ para el error en todo el dominio.
MPC con Condiciones Terminales:
- Se introduce una función de costo terminal $V_f^\varepsilon$ y un conjunto terminal $X_f^\varepsilon$ diseñados sobre el modelo sustituto.
- Para garantizar la factibilidad recursiva (que el problema de optimización siempre tenga solución en el siguiente paso), se implementa un estrechamiento de restricciones (constraint tightening). Las restricciones del estado se reducen en una cantidad que depende del límite de error uniforme $\eta_\varepsilon$ y de la constante de Lipschitz del modelo, asegurando que la trayectoria real del sistema no viole las restricciones físicas.
Generación del Modelo (kEDMD):
- Se utiliza la Descomposición de Modos Dinámicos Extendidos con Kernel (kEDMD) para aproximar el Operador de Koopman.
- Se propone una variante llamada PI-kEDMD (Physics-Informed kEDMD). Esta modificación fuerza a que el modelo sustituto satisfaga la condición de equilibrio en el origen ( $f^\varepsilon(0,0)=0$ ) y garantiza matemáticamente la existencia del límite de error proporcional requerido para la estabilidad asintótica.
Análisis de Estabilidad:
- Se demuestra que, si los errores son suficientemente pequeños, la función de valor óptimo del MPC actúa como una función de Lyapunov para el sistema en lazo cerrado, garantizando la estabilidad asintótica del origen.

3. Contribuciones Clave

Teorema de Estabilidad Asintótica con Errores: Se prueba que el MPC con condiciones terminales y restricciones de estado puede estabilizar asintóticamente un sistema no lineal desconocido si se cumplen límites de error proporcionales y uniformes. Esto extiende resultados previos que solo garantizaban estabilidad práctica o no incluían condiciones terminales.
Diseño de kEDMD con Garantías: Se demuestra cómo la metodología kEDMD, específicamente con la modificación "Physics-Informed" (PI-kEDMD), satisface rigurosamente las condiciones de error necesarias (límites proporcionales) para el teorema de estabilidad.
Marco de Factibilidad Recursiva: Se introduce un esquema de estrechamiento de restricciones basado en la constante de Lipschitz y el error uniforme que garantiza que el controlador nunca se vuelva infactible debido a la discrepancia entre el modelo y la planta real.
Validación Numérica: Se demuestra que sin el límite de error proporcional (usando kEDMD estándar), el sistema solo alcanza estabilidad práctica (el error se estanca en un valor positivo), mientras que con PI-kEDMD se logra convergencia al origen.

4. Resultados

Simulación con el Oscilador de Van der Pol: Se aplicó el marco propuesto a la discretización de Euler de un oscilador de Van der Pol controlado.
Comparativa de Modelos:
- Se compararon dos configuraciones: una con un número menor de puntos de observación virtuales ( $d=352$ ) y otra con más ( $d=1327$ ).
- Se comparó el uso de kEDMD estándar frente a PI-kEDMD.
Hallazgos:
- El MPC basado en kEDMD estándar mostró un error de estado que se estancó en un valor positivo (estabilidad práctica), debido a que no garantizaba que el error fuera proporcional a cero en el origen.
- El MPC basado en PI-kEDMD logró una precisión mucho mayor, estabilizando el sistema en el origen con una tasa de convergencia exponencial, confirmando la teoría.
- Se observó que un mayor número de puntos de datos ( $d=1327$ ) redujo significativamente el límite de error uniforme ( $\eta_\varepsilon$ ), permitiendo horizontes de predicción más largos y un mejor rendimiento.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha teórica entre el uso de modelos de aprendizaje automático (específicamente basados en Koopman) y las garantías rigurosas de estabilidad en el Control Predictivo.

Viabilidad Teórica: Proporciona las condiciones matemáticas necesarias para usar modelos "caja negra" o "caja gris" en aplicaciones críticas donde la estabilidad es obligatoria.
Mejora sobre el Estado del Arte: A diferencia de enfoques anteriores que solo ofrecían estabilidad práctica o requerían modelos lineales, este método garantiza estabilidad asintótica para sistemas no lineales generales bajo errores de modelado controlados.
Aplicabilidad Práctica: La demostración en un sistema no lineal clásico (Van der Pol) valida que el enfoque es viable para sistemas físicos reales.
Limitación y Futuro: Los autores reconocen que el estrechamiento de restricciones basado en la constante de Lipschitz puede ser conservador (crece con el horizonte de predicción), lo que podría limitar la longitud del horizonte en sistemas muy complejos. Sugieren que técnicas de estrechamiento más sofisticadas (basadas en estabilizabilidad incremental) son un camino para trabajos futuros.

En resumen, el artículo establece un marco robusto para implementar MPC basado en datos con garantías de estabilidad, utilizando la estructura del Operador de Koopman y una formulación de error proporcional para asegurar que el controlador funcione correctamente incluso con modelos imperfectos.