⚡ electrical engineering

Linear Quadratic Control with Non-Markovian and Non-Semimartingale Noise Models

Este artículo propone una solución al problema de control lineal cuadrático óptimo utilizando la teoría de caminos rugosos (*rough path theory*) para abordar modelos de ruido no markovianos y no semimartingales con baja regularidad de Hölder.

Autores originales: Mostafa M. Shibl, Sharan Srinivasan, Harsha Honnappa, Vijay Gupta

Publicado 2026-02-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mostafa M. Shibl, Sharan Srinivasan, Harsha Honnappa, Vijay Gupta

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

El Problema: El "Controlador Ciego" en un Mundo Caótico

Imagina que estás intentando mantener un equilibrio sobre una tabla de surf. Para no caerte, tu cerebro hace cálculos constantes: "la tabla se inclina a la izquierda, debo mover el peso a la derecha".

En la ingeniería, esto se llama Control Óptimo. La mayoría de los sistemas actuales (como los pilotos automáticos de los aviones o los brazos robóticos) usan una fórmula matemática llamada LQG. El problema es que esta fórmula asume que el "ruido" o las perturbaciones (las olas del mar) son como un goteo constante y predecible de agua: pequeñas, suaves y con un ritmo que puedes calcular fácilmente (esto es lo que los científicos llaman Movimiento Browniano).

Pero el mundo real no es un goteo suave. El mundo real es como una tormenta eléctrica: de repente hay un golpe de viento brutal, o una ola gigante que no sigue ningún patrón, o una sacudida que parece no tener sentido. Estas perturbaciones son "rebeldes": no tienen memoria, son erráticas y sus movimientos son tan bruscos que las matemáticas tradicionales "se rompen" al intentar procesarlas. Si usas un controlador diseñado para un goteo suave en medio de una tormenta, el sistema se volverá loco y colapsará.

La Solución: El "Matemático de la Tormenta" (Teoría de Caminos Rugosos)

Los autores de este estudio han creado un nuevo método llamado gLQ (Control Lineal Cuadrático Generalizado). Para lograrlo, dejaron de usar el cálculo tradicional y empezaron a usar algo llamado Teoría de Caminos Rugosos (Rough Path Theory).

Para entender la diferencia, usemos esta analogía:

El Cálculo Tradicional (LQG): Es como intentar dibujar una línea suave siguiendo el rastro de una hormiga que camina tranquilamente. Es fácil, la línea es predecible.
La Teoría de Caminos Rugosos (gLQ): Es como intentar dibujar el rastro de un rayo o de un insecto frenético que salta de un lado a otro de forma errática. La línea es "rugosa", llena de picos y saltos. El cálculo tradicional se pierde en los picos, pero la Teoría de Caminos Rugosos es como tener un mapa de alta resolución que no solo mira dónde está el insecto, sino que entiende la "textura" y la "fuerza" de sus saltos.

¿Qué hicieron exactamente?

Los investigadores diseñaron un cerebro matemático que puede:

Anticipar el caos: En lugar de solo reaccionar cuando el sistema se mueve, el nuevo controlador tiene un "término de predicción". Es como si el surfista, en lugar de solo reaccionar a la ola cuando ya lo golpeó, pudiera sentir la vibración del agua y saber que una ola gigante viene en camino, ajustando su peso antes del impacto.
Manejar la "memoria" del ruido: Algunos ruidos en la naturaleza (como el clima o las finanzas) tienen memoria; lo que pasó hace un minuto afecta lo que pasará ahora. El nuevo método entiende esta conexión, algo que el método viejo ignoraba por completo.

La Prueba de Fuego: El Péndulo Invertido

Para demostrar que funcionaba, lo probaron con un péndulo invertido (imagina un palo apoyado sobre tu dedo; el reto es mantenerlo vertical sin que se caiga).

Con el método viejo (LQG): Cuando lanzaron "ruido rebelde" (como el movimiento de una partícula de polvo o saltos bruscos), el péndulo se volvió loco. El controlador intentaba corregir, pero como no entendía la naturaleza del ruido, terminaba haciendo movimientos exagerados y el péndulo se caía estrepitosamente.
Con el nuevo método (gLQ): El péndulo se mantuvo estable. Aunque el ruido era caótico y violento, el controlador "entendió" la textura de ese caos y pudo mantener el palo vertical con movimientos suaves y precisos.

¿Por qué es importante esto para ti?

Aunque parezca pura matemática, esto tiene aplicaciones reales que podrían cambiar el futuro:

Robótica avanzada: Robots que puedan caminar en terrenos extremadamente irregulares (como lodo, rocas o escombros) sin caerse.
Finanzas: Modelos más precisos para entender los mercados financieros, que son famosos por sus saltos bruscos e impredecibles.
Sistemas Biológicos: Entender mejor cómo funcionan los procesos dentro de nuestras células, que también son ruidosos y caóticos.

En resumen: Los científicos han pasado de usar un manual de instrucciones para un día soleado a crear un manual de supervivencia para una tormenta perpetua.

Resumen Técnico: Control Lineal Cuadrático con Modelos de Ruido No-Markovianos y No-Semimartingales

1. El Problema

El marco estándar de control Gaussiano Lineal Cuadrático (LQG) asume que el ruido del sistema sigue un proceso de movimiento browniano. Esto permite el uso del cálculo estocástico de Itô y la aplicación del principio de separación (filtro de Kalman + control LQR). Sin embargo, este modelo falla cuando los procesos reales presentan:

Dependencia temporal (No-Markovianos): El sistema tiene "memoria".
Baja regularidad de Hölder: Las trayectorias son muy irregulares o "rugosas".
Naturaleza No-Semimartingala: Procesos como el movimiento browniano fraccionario (fBm) con índice de Hurst $H < 0.5$ no pueden descomponerse en un martingala local y un proceso de variación finita, lo que hace que el cálculo de Itô sea inaplicable.

El problema central es diseñar un controlador óptimo para sistemas lineales donde tanto el ruido del proceso como el de la medición son procesos rugosos, no-markovianos y no-semimartingales.

2. Metodología

Para abordar la falta de aplicabilidad del cálculo de Itô, los autores emplean la Teoría de Caminos Rugosos (Rough Path Theory). Los pasos metodológicos clave son:

Levantamiento de Caminos Rugosos (Rough Path Lift): En lugar de trabajar solo con la trayectoria del ruido $v(t)$ , se utiliza un par $(X, \mathbb{X})$ que incluye la trayectoria y sus integrales iteradas (áreas de Lévy). Esto permite definir integrales de manera determinista y robusta para trayectorias con regularidad de Hölder $H \in (1/3, 1]$ .
Ecuaciones Diferenciales Rugosas (RDE): El modelo de dinámica del sistema se formula como una RDE, lo que garantiza la existencia y unicidad de la solución mediante el Teorema de Límite Universal de Lyons.
Ecuación Hamilton-Jacobi-Bellman (HJB) Rugosa: Se extiende el concepto de la ecuación HJB para encontrar la función de valor en un entorno donde el ruido no es un semimartingala, utilizando aproximaciones de caminos suaves para demostrar la convergencia.

3. Contribuciones Clave

El artículo introduce el marco de Control Lineal Cuadrático Generalizado (gLQ) y establece los siguientes resultados:

Controlador Óptimo con Observación de Estado Completo (LQR Generalizado): Demuestran que el controlador óptimo $u^*(t)$ $u^{*} (t)$ consta de dos términos:
1. El término clásico de LQR basado en la matriz de Riccati $P$ .
2. Un término de corrección predictiva $V(t)$ , que estima y compensa el efecto futuro del ruido rugoso sobre la trayectoria óptima, basándose en la información disponible hasta el tiempo $t$ .
Principio de Separación y Observador Óptimo: En el caso de estado no observable, demuestran que el principio de separación sigue siendo válido. Derivan un observador óptimo que maneja la correlación entre el ruido del proceso y el de la medición, proporcionando una ganancia de observación $L$ que minimiza el error cuadrático medio.
Continuidad de los Caminos Rugosos: Prueban que, a diferencia del cálculo de Itô (donde los mapas de solución no son continuos ante perturbaciones de ruido), el marco de caminos rugosos proporciona mapas de solución localmente uniformemente continuos, lo que otorga estabilidad matemática al diseño.

4. Resultados y Validación

Los autores validan su propuesta mediante simulaciones de un péndulo invertido sometido a dos tipos de ruido extremo:

Movimiento Browniano Fraccionario (fBm): Con $H = 0.35$ . El controlador LQ clásico falló estrepitosamente, provocando la divergencia exponencial del sistema. El controlador gLQ logró estabilizar el sistema con un esfuerzo de control mínimo y controlado.
Procesos de Lévy (Distribución Estable): Ruido con colas pesadas y saltos. Nuevamente, el controlador clásico resultó inestable, mientras que el gLQ demostró robustez, manteniendo las variables de estado dentro de límites seguros.

5. Significancia

Este trabajo es fundamental para la ingeniería de control moderna porque cierra la brecha entre la teoría de control clásica y la realidad de los sistemas físicos complejos. Su importancia radica en:

Robustez: Permite diseñar sistemas de control para entornos altamente turbulentos, financieros o biológicos donde el ruido no es blanco ni gaussiano.
Rigor Matemático: Proporciona una base sólida para tratar procesos que la teoría estocástica tradicional descarta por no ser semimartingales.
Potencial en IA: Abre la puerta al uso de "firmas" (signatures) de caminos rugosos en el aprendizaje por refuerzo (Reinforcement Learning) para capturar dependencias de largo plazo en series temporales.