Adaptive Behavioral Predictive Control: State-Free Regulation Without Hankel Weights

Aquí presento un resumen técnico detallado del artículo "Adaptive Behavioral Predictive Control: State-Free Regulation Without Hankel Weights" (Control Predictivo Adaptativo Conductual: Regulación Libre de Estados sin Pesos de Hankel), escrito por Tam W. Nguyen.

1. Planteamiento del Problema

El control predictivo basado en datos y los métodos de control adaptativo han demostrado un alto rendimiento, pero a menudo enfrentan limitaciones críticas en sistemas que operan continuamente o tienen restricciones computacionales:

• Dependencia de datos por lotes (Batch): Muchos métodos actuales (como el Control Predictivo Basado en Datos - DeePC) requieren matrices de Hankel construidas a partir de grandes conjuntos de datos históricos, lo que impide su uso en tiempo real estricto.
• Optimización iterativa: La mayoría de los esquemas de control predictivo (MPC) resuelven programas cuadráticos (QP) iterativos en cada paso de tiempo, lo cual es computacionalmente costoso.
• Adaptación a no linealidades: Los métodos lineales tradicionales (como ARX estándar) luchan para modelar sistemas con dinámicas no lineales complejas o deriva lenta sin re-identificación costosa.
• Necesidad de controladores de forma cerrada: Existe una necesidad urgente de controladores que utilicen datos en flujo (streaming), actualicen el comportamiento de la planta en línea y calculen la acción de control mediante fórmulas analíticas (forma cerrada) en lugar de optimización numérica iterativa.

El objetivo de este trabajo es desarrollar un marco de control que opere directamente sobre datos en flujo, elimine la necesidad de matrices de Hankel y optimizaciones iterativas, manteniendo la capacidad de manejar no linealidades.

2. Metodología: Control Predictivo Adaptativo Conductual (ABPC)

El autor propone el Control Predictivo Adaptativo Conductual (ABPC), un enfoque que integra la identificación recursiva con el control predictivo directo en un solo marco en línea.

A. Fundamentos Conductuales y de Identificación

• Visión Conductual: El sistema se trata como un conjunto de trayectorias admisibles de entrada-salida, sin asumir un modelo de estado oculto.
• Identificación Kernel-RLS: En lugar de usar bases fijas (como retrasos puros en ARX), el método utiliza un diccionario de kernels (funciones base no lineales como polinomios, RBF, etc.) para enriquecer el espacio de características.
• Algoritmo RLS: Se emplea un algoritmo de Mínimos Cuadrados Recursivos (RLS) con olvido para actualizar los coeficientes de un predictor LPV-ARX (Lineal con Parámetros Variables - Autoregresivo con Entrada Exógena) en cada instante de tiempo. Esto permite que el modelo se adapte a cambios lentos y no linealidades.

B. Síntesis de Control y Predicción

• Congelamiento de Coeficientes: Una vez actualizados los coeficientes del predictor en el paso $k$, estos se "congelan" sobre un horizonte de predicción finito $N$. Esto transforma el problema de control no lineal en un problema convexo (cuadrático) aproximado.
• Apilamiento Toeplitz: Se construyen operadores de predicción apilados (Toeplitz) a partir del predictor de un paso. Esto permite expresar las salidas futuras como una función afín de las entradas futuras.
• Cálculo en Forma Cerrada: La función de costo cuadrática (que penaliza el error de seguimiento y los incrementos de entrada) se minimiza analíticamente. Dado que la matriz Hessiana es definida positiva, la solución óptima se obtiene mediante factorización de Cholesky, eliminando la necesidad de resolver un QP iterativo.

C. Estructura del Algoritmo

1. Entrada: Datos de entrada/salida recientes ($u_k, y_k$).
2. Identificación: Actualización de parámetros $\theta_k$ mediante RLS con un diccionario de kernels.
3. Compilación: Cálculo de coeficientes LPV-ARX congelados para el horizonte.
4. Predicción: Construcción de la matriz de predicción y el término de desplazamiento.
5. Control: Resolución de $HU^* = -h$ mediante Cholesky para obtener la secuencia de control óptima.
6. Aplicación: Se aplica solo el primer elemento de la secuencia (horizonte deslizante).

3. Contribuciones Clave

1. Controlador Adaptativo Indirecto Basado en Kernels: Introducción de un controlador que opera sobre datos en flujo (streaming) en lugar de estructuras de Hankel por lotes, permitiendo una implementación en tiempo real.
2. Integración de Identificación y Control: Fusión de la identificación LPV-ARX mediante RLS con kernels, apilamiento Toeplitz para la propagación del horizonte y un cálculo de control en forma cerrada basado en Cholesky.
3. Perspectiva Unificadora: El marco generaliza el Control de Costo Predictivo Adaptativo (PCAC) y el Control Predictivo Generalizado (GPC), extendiendo la expresividad del modelo mediante diccionarios no lineales.
4. Estudio Numérico Sistemático: Una evaluación exhaustiva que mapea la elección del kernel (unitario, lineal, polinómico, RBF) al rendimiento y al acondicionamiento numérico en diversos sistemas (lineales, Hammerstein, NARX, sistemas de actitud en SO(3)).

4. Resultados Numéricos

El estudio presenta siete ejemplos de simulación que demuestran la eficacia del ABPC:

• Sistemas Lineales (Estables e Inestables): El ABPC logra estabilizar sistemas inestables y de fase no mínima. En sistemas lineales, los kernels unitarios y RBF mostraron un rendimiento muy similar, aunque el RBF a veces superó al unitario.
• Sistemas No Lineales (NARX y Hammerstein):
  • Para sistemas con términos no lineales polinómicos (cuadráticos y cúbicos), el diccionario polinómico demostró un rendimiento superior en términos de error de seguimiento (RMSE e IAE), ya que puede representar exactamente la estructura del sistema.
  • Los kernels lineales y unitarios mostraron errores de estado estacionario debido a la incapacidad de capturar la no linealidad.
  • El kernel RBF mostró una capacidad de aproximación local, convergiendo lentamente pero logrando bajos errores residuales al final de la simulación.
• Rechazo a Perturbaciones: En sistemas con perturbaciones sinusoidales, los diccionarios lineales y polinómicos fallaron (debido a la "carrera de parámetros" o parameter chasing), mientras que el diccionario unitario (que actúa como un modelo interno implícito) y el RBF lograron un rechazo efectivo, siempre que el orden de retardo ($\ell$) fuera suficientemente alto.
• Aplicación MIMO No Lineal (Estabilización de Actitud): En un sistema de cuerpo rígido en SO(3) con cuaterniones, el método mantuvo la estabilidad. Aunque los kernels lineales y polinómicos convergieron más lentamente en el dominio del tiempo, lograron un error acumulado (IAE) menor debido a respuestas más suaves en la velocidad angular.
• Robustez: Las pruebas con ruido de medición confirmaron que el método mantiene la estabilidad y el rendimiento cualitativo, aunque con un ligero aumento en el error.

5. Significado y Conclusión

El trabajo de Nguyen representa un avance significativo en el control adaptativo basado en datos al eliminar la dependencia de la optimización iterativa y las matrices de Hankel.

• Eficiencia Computacional: Al reemplazar la optimización QP por una factorización de Cholesky directa, el método es ideal para sistemas con recursos computacionales limitados o frecuencias de muestreo altas.
• Flexibilidad: La capacidad de integrar diccionarios de kernels permite adaptar el controlador a una amplia gama de dinámicas no lineales sin cambiar la estructura del algoritmo de control.
• Limitaciones y Futuro: El artículo reconoce que no proporciona pruebas formales de estabilidad o robustez para el caso congelado, basándose en análisis numéricos. El trabajo futuro se centrará en el control con restricciones (usando penalizaciones suaves o proyecciones) y en mejorar la adaptación ante cambios abruptos mediante estrategias de olvido variable.

En resumen, el ABPC ofrece un equilibrio práctico entre adaptabilidad, expresividad no lineal y viabilidad computacional, posicionándose como una alternativa robusta y eficiente a los métodos de control predictivo tradicionales para aplicaciones en tiempo real.