Safe Adaptive-Sampling Control via Robust M-Step Hold Model Predictive Control

Título: Control Adaptativo de Muestreo Seguro mediante Control Predictivo Basado en Modelos (MPC) de Mantenimiento Robusto de M Pasos

1. Planteamiento del Problema

El control de muestreo adaptativo permite ajustar la frecuencia de control durante la ejecución de una tarea para optimizar el rendimiento y el uso de recursos computacionales. Sin embargo, cambiar la frecuencia de control "sobre la marcha" introduce incertidumbre en la dinámica del sistema, lo que pone en riesgo la seguridad y la viabilidad recursiva del controlador.

El problema central abordado es cómo garantizar que un sistema discreto lineal con incertidumbre (modelado como $x_{t+1} = Ax_t + Bu_t + Ew_t$) cumpla estrictamente con sus restricciones de estado y entrada, incluso cuando el controlador mantiene la misma entrada de control durante $M$ pasos de tiempo (un "mantenimiento de $M$ pasos" o M-step hold) y cuando el valor de $M$ se adapta dinámicamente. Los métodos existentes de MPC robusto asumen una frecuencia fija, y las técnicas de control adaptativo anteriores no ofrecen garantías formales de viabilidad recursiva ni de robustez frente a incertidumbres.

2. Metodología

Los autores proponen un marco de Control Predictivo Basado en Modelos (MPC) de Mantenimiento Robusto de M Pasos. La metodología se basa en los siguientes pilares:

• Definición de Conjuntos Invariantes Robustos de Mantenimiento de M Pasos: Se extiende el concepto de conjuntos invariantes de control robustos tradicionales. Un conjunto $C_M$ es invariante si, una vez dentro, existe una política de control que mantiene el sistema dentro de las restricciones y devuelve el estado al conjunto al menos cada $M$ pasos, a pesar de las perturbaciones.
• Formulación del MPC:
  • Se formula un problema de optimización que se resuelve cada $M$ pasos.
  • Se introduce una reformulación tratable que optimiza sobre las entradas nominales en lugar de sobre políticas complejas, utilizando conjuntos precalculados para manejar la incertidumbre.
  • Se utilizan operadores de diferencia de Pontryagin ($\ominus$) y suma de Minkowski ($\oplus$) para "encoger" los conjuntos de restricciones y garantizar que, incluso con la peor evolución de la incertidumbre, el sistema real permanezca dentro de los límites seguros.
• Garantía de Viabilidad Recursiva: Se demuestra teóricamente que si el conjunto terminal del horizonte de predicción ($X_N$) se elige como un conjunto invariante robusto de mantenimiento de $M$ pasos, el problema de optimización tendrá solución en cada paso de tiempo $t$ donde se actualiza el control ($mod(t, M) = 0$).
• Adaptación Segura de M: Se establecen condiciones teóricas para cambiar el valor de $M$ en línea.
  • Si se reduce $M$ (aumentando la frecuencia), se garantiza la seguridad si el estado actual pertenece al conjunto de estados iniciales factibles del nuevo $M$.
  • Se demuestra que los conjuntos invariantes máximos evolucionan de manera predecible: si $\hat{M}$ es un factor de $M$, entonces el conjunto invariante para $M$ es un subconjunto del conjunto invariante para $\hat{M}$ ($C_M^\infty \subseteq C_{\hat{M}}^\infty$). Esto permite transiciones seguras hacia frecuencias más altas sin recalcular todo el marco.

3. Contribuciones Clave

1. Formulación de MPC Robusto de M Pasos: Introducción de una formulación de MPC que maneja explícitamente la retención de entradas durante múltiples pasos de tiempo bajo incertidumbre, garantizando el cumplimiento de restricciones en todos los pasos intermedios.
2. Teoría de Conjuntos Invariantes Extendidos: Definición y cálculo de conjuntos invariantes de control y positivos robustos para sistemas con mantenimiento de $M$ pasos, superando las limitaciones de los métodos de "bloqueo de movimiento" (move-blocking) tradicionales que requieren actualizaciones en cada muestra.
3. Garantías de Adaptación en Línea: Desarrollo de teoremas que permiten cambiar el parámetro $M$ (frecuencia de control) durante la operación sin violar la seguridad, siempre que se cumplan ciertas condiciones de pertenencia al conjunto de estados iniciales factibles.
4. Estrategia de Cálculo Eficiente: Propuesta de un algoritmo para calcular conjuntos invariantes mediante la intersección de escenarios de peor caso (frenado y aceleración máximos del vehículo líder), permitiendo una implementación computacionalmente viable.

4. Resultados

El marco propuesto se evaluó mediante una simulación de control de crucero para un vehículo en un convoy (platoon):

• Escenario de Prueba: Se simuló un vehículo "ego" siguiendo a un vehículo líder que aplicaba frenado o aceleración aleatoria, seguido de un frenado completo.
• Comparación de M: Se compararon controladores con $M=1, 5, 10$.
  • Los valores más altos de $M$ (menor frecuencia de actualización) resultaron en distancias de seguimiento más grandes para compensar la mayor propagación de incertidumbre en abierto, pero mantuvieron la seguridad.
  • Todos los controladores lograron detener el vehículo ego de manera segura detrás del líder.
• Adaptación en Línea: Se demostró un caso donde el sistema comienza con $M=10$ y se adapta automáticamente a $M=5$ y luego a $M=1$ cuando las condiciones del entorno (distancia estable) lo permiten.
  • Al reducir $M$, el controlador pudo cerrar la distancia de seguimiento, mejorando el rendimiento sin violar las restricciones.
  • Se visualizó cómo los conjuntos invariantes $C_{10} \subseteq C_5 \subseteq C_1$, validando la teoría de que los conjuntos se expanden al aumentar la frecuencia de control (reducir $M$).

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre el control predictivo robusto y el control de muestreo adaptativo.

• Seguridad Garantizada: Proporciona la primera garantía formal de que un sistema puede cambiar su frecuencia de control dinámicamente sin poner en riesgo la estabilidad o violar restricciones físicas, algo crítico para aplicaciones en robótica, vehículos autónomos y sistemas ciberfísicos.
• Eficiencia Computacional: Permite reducir la carga computacional en tareas simples o entornos predecibles (aumentando $M$) y aumentar la respuesta en situaciones críticas (disminuyendo $M$), optimizando el uso de recursos sin sacrificar la seguridad.
• Fundamento Teórico: Establece una base matemática sólida para el diseño de controladores que deben operar en entornos inciertos con recursos limitados, facilitando la implementación de estrategias de control más inteligentes y adaptativas en la industria.