Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

Título: Operadores Neuronales de Muestreo-Horizonte para Control No Lineal bajo Entradas Retardadas

1. Planteamiento del Problema

Los sistemas de control modernos a menudo operan bajo dos limitaciones críticas:

• Retardos en la entrada (Input Delays): Inevitables en sistemas físicos debido a tiempos de procesamiento o comunicación.
• Mediciones muestreadas: Las mediciones del estado no están disponibles de forma continua, sino en instantes discretos debido a limitaciones de ancho de banda de sensores y comunicación, o pueden ser irregulares/faltantes por fallos de hardware.

El enfoque estándar para compensar retardos es el control por retroalimentación predictiva (Predictor Feedback). Sin embargo, su implementación práctica enfrenta dos grandes obstáculos:

1. Costo computacional: La predicción requiere resolver una EDO implícita en línea, lo cual es computacionalmente costoso e inestable numéricamente para retardos largos o dinámicas rígidas.
2. Hipótesis de medición continua: Las formulaciones teóricas existentes asumen mediciones de estado continuas, lo cual no se ajusta a la realidad de los sistemas muestreados.

El objetivo del trabajo es desarrollar un marco de control que sea computacionalmente eficiente, capaz de manejar retardos arbitrarios y robusto ante mediciones muestreadas (uniformes o no uniformes) utilizando Operadores Neuronales.

2. Metodología

Los autores proponen dos diseños de retroalimentación predictiva basados en operadores neuronales para sistemas no lineales con retardos en la entrada y mediciones muestreadas. Ambos diseños se basan en aproximar mapeos entre espacios de funciones (operadores) en lugar de aprender solo vectores de estado.

Se definen dos operadores clave:

• Operador Predictor ($P$): Mapea el estado actual y el historial de entradas al estado futuro en el horizonte del retardo.
• Operador de Flujo de Horizonte de Muestreo ($Z$): Propaga el estado a lo largo del intervalo de muestreo siguiente.

Se presentan dos arquitecturas de implementación:

• Diseño 1: Aproximación del Operador de Predicción de Horizonte de Muestreo (Uniforme)

  • Mecanismo: Un solo operador neuronal ($\hat{M}$) aproxima directamente toda la trayectoria de estado predicha sobre el intervalo de muestreo completo, mapeando la medición actual y el historial de entradas a la trayectoria futura.
  • Requisito: Exige muestreo uniforme (intervalos de tiempo constantes $h$).
  • Ventaja: La cota del error residual escala directamente con el error de aproximación del operador.

• Diseño 2: Aproximación del Operador Predictor (No Uniforme)

  • Mecanismo: El operador neuronal ($\hat{P}$) aproxima solo la compensación del retardo (el estado inicial futuro). Luego, este estado se utiliza como condición inicial para integrar la EDO del sistema en línea hasta la siguiente medición.
  • Requisito: Permite muestreo no uniforme, siempre que los intervalos estén acotados ($T_{i+1} - T_i \le h$).
  • Desventaja: El error de aproximación se amplifica por el factor de propagación de la dinámica continua entre muestreos, requiriendo una aproximación más precisa del operador para garantizar la estabilidad.

3. Contribuciones Clave

1. Nuevos Diseños de Control: Introducción de dos esquemas de retroalimentación predictiva basados en operadores neuronales que cierran la brecha entre la teoría de control con retardos y la realidad de las mediciones muestreadas.
2. Análisis de Estabilidad Semi-Global Práctica: Demostración rigurosa (mediante análisis de Lyapunov y estimaciones de EDP de transporte) de que ambos esquemas logran estabilidad semi-global práctica. Se establecen cotas explícitas para el error de seguimiento que dependen del error de aproximación del operador neuronal ($\epsilon$).
3. Compromiso (Trade-off) Teórico: Se revela y cuantifica un compromiso fundamental para el ingeniero de control:
   • El Diseño 1 ofrece mayor tolerancia al error de aproximación pero exige muestreo uniforme.
   • El Diseño 2 ofrece flexibilidad en el muestreo (no uniforme) pero es más sensible al error de aproximación, amplificando el impacto de los errores de la red neuronal debido a la evolución continua de la dinámica.
4. Eficiencia Computacional: Sustitución de la integración numérica costosa de EDOs implícitas por inferencia rápida de redes neuronales.

4. Resultados Numéricos

Los autores validaron sus propuestas en un manipulador robótico no lineal de 6 enlaces (xArm6) con control de torque retardado.

• Escenario: Seguimiento de trayectoria con un retardo de $D=0.2s$ y mediciones ruidosas (ruido gaussiano).
• Comparación: Se compararon tres enfoques:
  1. Predictor numérico tradicional (línea base).
  2. Diseño 1 (Operador neuronal sobre horizonte fijo).
  3. Diseño 2 (Operador neuronal del predictor + integración ODE).
• Rendimiento:
  • Precisión: Ambos diseños basados en operadores neuronales lograron un seguimiento preciso de la trayectoria deseada, comparable al predictor numérico.
  • Velocidad: Se logró una aceleración computacional de 25x. Mientras que el predictor numérico requería ~25 ms por evaluación (en CPU/GPU), los operadores neuronales requirieron ~1 ms.
  • Robustez: Los errores de predicción mostraron que los saltos en las mediciones afectan directamente al error del predictor, pero el sistema se estabiliza rápidamente.

5. Significado e Impacto

Este trabajo es significativo porque:

• Viabilidad Práctica: Hace que el control predictivo sea viable para sistemas de tiempo real complejos donde la integración numérica en línea es prohibitiva.
• Flexibilidad Operativa: Proporciona herramientas teóricas para diseñar controladores que funcionen en redes con latencia variable o pérdida de paquetes (muestreo no uniforme), un escenario común en robótica teleoperada y sistemas IoT.
• Fundamento Teórico: Establece las primeras garantías de estabilidad para controladores predictivos no lineales que utilizan aproximaciones de operadores neuronales bajo mediciones muestreadas, vinculando explícitamente el error de entrenamiento de la red con las cotas de estabilidad del sistema físico.

En resumen, el artículo demuestra que los operadores neuronales pueden reemplazar con éxito los métodos numéricos tradicionales en el control predictivo, ofreciendo una solución rápida y robusta para sistemas no lineales con retardos y restricciones de muestreo.