Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Control de Retroalimentación de Salida Basado en Predictores para Sistemas Lineales con Retrasos de Entrada y Medición Variables en el Tiempo mediante Horizontes de Predicción Aproximados por Redes Neuronales

1. Planteamiento del Problema

El trabajo aborda el desafío de controlar sistemas lineales que sufren retrasos variables en el tiempo tanto en la entrada (actuación) como en la medición (sensor).

• Contexto: Los retrasos son comunes en sistemas ciber-físicos debido a redes de comunicación y pipelines de computación. Incluso retrasos pequeños pueden degradar o desestabilizar el sistema.
• El Reto Principal: Los métodos de retroalimentación basados en predictores (como el predictor de Smith o reducciones de modelo de Artstein) son teóricamente robustos y pueden manejar retrasos arbitrariamente largos si se implementan exactamente. Sin embargo, para retrasos variables en el tiempo, la implementación exacta requiere calcular el horizonte de predicción, que es la inversa de la función de retraso ($\psi(t) = \phi^{-1}(t) - t$).
• Dificultad: Esta inversa rara vez tiene una forma cerrada analítica. Por lo tanto, los métodos existentes a menudo no pueden implementarse con precisión, lo que plantea la necesidad de esquemas de aproximación que garanticen la estabilidad del sistema en lazo cerrado.

2. Metodología

Los autores proponen un diseño de control de retroalimentación de salida en tres etapas y dos enfoques distintos para aproximar el horizonte de predicción necesario.

A. Diseño del Controlador (Retroalimentación de Salida)
Se desarrolla un esquema que combina:

1. Observador: Reconstruye el estado actual $Z(t)$ utilizando mediciones retrasadas $Y(t)$.
2. Propagación: Utiliza la dinámica del sistema para proyectar el estado estimado desde el momento de la medición hasta el presente.
3. Predictor: Proyecta el estado actual hacia el futuro ($t + \psi(t)$) para compensar el retraso de entrada. La ley de control es $U(t) = K \hat{P}(t)$, donde $\hat{P}(t)$ es el estado predicho.

B. Esquemas de Aproximación del Horizonte de Predicción ($\psi$)
Dado que $\psi(t)$ no es calculable analíticamente, se proponen dos métodos:

1. Método Numérico (Integración de EDO): Se reformula la relación inversa como una ecuación diferencial ordinaria (EDO) y se resuelve numéricamente (ej. método de Euler o Runge-Kutta).
   • Ventaja: Basado en modelos físicos.
   • Desventaja: El error de aproximación puede crecer con el horizonte de tiempo $T$, volviéndose costoso computacionalmente para tiempos largos.
2. Método Basado en Datos (Operadores Neuronales): Se utiliza un Operador Neural (específicamente un Fourier Neural Operator - FNO) para aprender el mapeo de la función de retraso $D(t)$ directamente al horizonte de predicción $\psi(t)$.
   • Ventaja: Una vez entrenado, la inferencia es extremadamente rápida (hasta 21 veces más rápido que RK4 en los experimentos).
   • Desventaja: Requiere datos de entrenamiento y generalización dentro de un conjunto compacto de funciones de retraso.

C. Análisis de Estabilidad
Los autores utilizan una transformación de backstepping para convertir el sistema de retraso en una cascada de EDO-PDE (Ecuación Diferencial Parcial de transporte). Se construye un funcional de Lyapunov para demostrar que, si el error de aproximación del horizonte ($\epsilon$) es suficientemente pequeño, el sistema en lazo cerrado mantiene la estabilidad exponencial global.

3. Contribuciones Clave

• Marco Teórico de Operadores: Se establece un marco teórico riguroso que trata la recuperación de la inversa del retraso como un problema de aproximación de operadores. Se demuestra que el mapeo inverso es Lipschitz continuo en conjuntos compactos, lo que fundamenta la viabilidad de las aproximaciones.
• Garantías de Aproximación: Se demuestran dos teoremas que garantizan que tanto el método numérico (EDO) como el método basado en aprendizaje (Operadores Neuronales) pueden lograr una precisión arbitraria en conjuntos compactos.
• Diseño de Retroalimentación de Salida: Es el primer diseño de controlador de retroalimentación de salida basado en predictores para sistemas lineales con retrasos variables tanto en entrada como en medición.
• Condiciones de Estabilidad Robusta: Se derivan condiciones suficientes que vinculan la magnitud del error de aproximación del horizonte con la estabilidad del sistema, permitiendo que el controlador tolere imperfecciones en la inversión del retraso.

4. Resultados

• Simulaciones Numéricas: Se utilizó un sistema lineal inestable con retrasos oscilatorios variables en el tiempo.
• Comparación de Métodos:
  • El FNO (Operador Neural) logró la mayor velocidad de ejecución (2.01 ms por evaluación), superando al método de Euler (11.98 ms) y a Runge-Kutta 4 (42.50 ms).
  • El FNO mostró un error de consistencia muy bajo, aunque ligeramente mayor que los métodos numéricos de alto orden, pero suficiente para mantener la estabilidad.
  • Ambos métodos lograron estabilizar el sistema y hacer que los estados del observador convergieran rápidamente.
• Compromiso (Trade-off): Los resultados ilustran claramente el equilibrio entre la precisión de la aproximación y el costo computacional. El método de aprendizaje ofrece una aceleración significativa (hasta 21x frente a RK4), lo que lo hace ideal para aplicaciones en tiempo real donde la latencia de cálculo es crítica.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la teoría de control de retrasos y la implementación práctica en sistemas con dinámicas complejas y variables en el tiempo.

• Viabilidad Práctica: Demuestra que los predictores de control, a menudo considerados teóricamente puros pero difíciles de implementar, pueden hacerse prácticos mediante técnicas modernas de aprendizaje automático (aprendizaje de operadores).
• Generalización: Al tratar el problema como un aprendizaje de operadores, el método es aplicable a una amplia gama de funciones de retraso sin necesidad de reescribir el código de control para cada nuevo perfil de retraso.
• Estabilidad Garantizada: A diferencia de muchas aplicaciones de IA en control que son "cajas negras", este trabajo proporciona garantías matemáticas de estabilidad rigurosas, asegurando que el uso de aproximaciones neuronales no comprometa la seguridad del sistema.

En resumen, el artículo presenta un avance fundamental al combinar la teoría clásica de control de retrasos con el aprendizaje de operadores, ofreciendo una solución robusta, estable y computacionalmente eficiente para sistemas con retrasos variables en el tiempo.