Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control

Título: Análisis de Sensibilidad Local para Predictores ARX Regularizados por Kernel en Control Predictivo Basado en Datos

1. Planteamiento del Problema

El Control Predictivo Basado en Datos (DDPC) busca reducir la dependencia de modelos de espacio de estado explícitos construyendo predictores directamente desde datos medidos. Sin embargo, en regímenes con datos finitos y ruidosos, la incertidumbre del predictor se convierte en un factor determinante para el rendimiento del lazo cerrado.

El desafío central identificado en este trabajo es la disparidad estructural en los métodos DDPC basados en ARX (AutoRegressive with eXogenous inputs):

• La etapa de identificación es lineal respecto a los parámetros del predictor ($\theta$), lo que facilita la estimación y el cálculo de covarianzas.
• No obstante, el predictor de múltiples pasos (levantado o "lifted") utilizado dentro del Control Predictivo por Modelo (MPC) depende de estos parámetros de manera implícita y no lineal.

Esta no linealidad impide propagar fácilmente la incertidumbre de los parámetros estimados hacia la incertidumbre de la predicción de múltiples pasos, lo cual es crucial para diseñar regularizaciones conscientes de la tarea de control y para cuantificar el riesgo en el objetivo de control.

2. Metodología

Los autores proponen un marco que conecta la identificación lineal con la propagación de incertidumbre no lineal mediante los siguientes pasos:

• Linealización Local de Primer Orden:
  Derivan una linealización local del mapa del predictor implícito alrededor de una estimación nominal ($\bar{\theta}$). Esto permite aproximar el predictor no lineal $\hat{y}_f(u_f; \theta)$ mediante una expansión de Taylor de primer orden:
  $$\hat{y}_f(u_f; \theta) \approx \hat{y}_f(u_f; \bar{\theta}) + J(\bar{\theta}, u_f)(\theta - \bar{\theta})$$
  Donde $J$ es la matriz Jacobiana que mapea las perturbaciones de los parámetros a las perturbaciones de la salida predicha.

• Cálculo del Jacobiano:
  Calculan explícitamente el Jacobiano diferenciando a través de la inversión implícita $(I - \Phi_y)^{-1}$. Descomponen la dependencia del Jacobiano en:

  1. Términos de datos pasados.
  2. Términos de entradas futuras explícitas.
  3. Términos de retroalimentación de salidas futuras (implícitas).
     Se demuestra que el Jacobiano depende de manera afín de la secuencia de control futura $u_f$, lo que permite integrarlo en el problema de optimización del MPC.

• Propagación de Incertidumbre (Costo FCE):
  Utilizan el Jacobiano para aproximar la covarianza de la salida predicha y derivar un término de penalización de incertidumbre de tipo "Final Control Error" (FCE). Este término, $L_\Omega$, se añade al objetivo del MPC para castigar las trayectorias donde la incertidumbre del modelo tiene un mayor impacto en el error de seguimiento.

• Diseño de Kernel Sensible a la Tarea:
  La contribución metodológica principal es utilizar la misma matriz Jacobiana para diseñar una métrica de sensibilidad dependiente de la tarea ($W$).

  • Se define $W(\xi) = J^\top Q J$, que cuantifica cómo las perturbaciones en ciertas direcciones de los parámetros afectan el error de control ponderado.
  • Se promedia esta sensibilidad sobre realizaciones de tareas representativas para obtener una matriz $\bar{W}$.
  • Se introduce una regularización adicional en la identificación del kernel: se penaliza más fuertemente la variación de los parámetros en las direcciones que son localmente más críticas para el control, complementando los kernels estándar (como TC/SS) que solo buscan la precisión de identificación.

3. Contribuciones Clave

1. Análisis de Sensibilidad Local: Derivación de un análisis de primer orden para el predictor ARX multi-paso implícito, cerrando la brecha entre la identificación lineal y la propagación de incertidumbre no lineal relevante para el control.
2. Doble Uso del Jacobiano: Demostración de que la misma matriz Jacobiana sirve para:
   • Aproximar un término de incertidumbre en el costo del MPC (enfoque FCE).
   • Construir una métrica de sensibilidad para dar forma (shape) a la regularización del kernel, priorizando la robustez en direcciones críticas para el control.
3. Validación Numérica: Evidencia de que el enfoque es más valioso en regímenes de excitación débil, donde la incertidumbre del predictor es alta y la regularización estándar no es suficiente.

4. Resultados Experimentales

Los autores evaluaron el marco en un sistema lineal de segundo orden bajo dos regímenes:

• Régimen de Datos Informativos (Buena Excitación):

  • Todos los variantes basados en ARX compiten bien con métodos DDPC existentes.
  • Las ganancias adicionales de la regularización sensible a la tarea o del término FCE son modestas, ya que el problema de identificación ya está bien condicionado.

• Régimen de Excitación Débil (Datos Pocos Informativos):

  • Este es el escenario donde el método destaca. Los métodos basados en OLS (Mínimos Cuadrados Ordinarios) fallan o muestran alta variabilidad.
  • Regularización SS (Base): Proporciona la mayor mejora de estabilidad respecto a OLS.
  • Shaping de Sensibilidad (SS+W): Ofrece una mejora adicional significativa sobre la regularización SS base. Esto confirma que la estructura de sensibilidad capturada por el Jacobiano aporta información valiosa más allá de la estructura de identificación estándar.
  • Término FCE: Mejora respecto a OLS, pero no supera a los predictores ya regularizados, sugiriendo que la penalización directa en el costo es menos efectiva que la mejora en la estimación del modelo mediante la regularización sensible.
  • Covarianza Posterior: La matriz de covarianza posterior de los parámetros ($\Sigma_\theta$) se reduce drásticamente con el método propuesto (SS+W), lo que correlaciona directamente con la reducción del costo de control en lazo cerrado.

5. Significado e Impacto

Este trabajo es significativo porque aborda una limitación fundamental en el DDPC: la dificultad de propagar la incertidumbre de modelos lineales a través de dinámicas de control no lineales (o implícitas).

• Puente Práctico: Proporciona una "puente" computacionalmente eficiente (linealización local) para incorporar la incertidumbre del modelo en el diseño del controlador sin necesidad de métodos de Monte Carlo costosos o aproximaciones estocásticas complejas.
• Regularización Inteligente: Cambia el paradigma de la regularización en identificación de control: en lugar de solo buscar un modelo que ajuste bien los datos (prior de identificación), se propone un prior que castiga específicamente los errores que más afectan al objetivo de control.
• Robustez en Escasez de Datos: Demuestra que en situaciones reales donde los datos de excitación son limitados (común en la industria), adaptar la regularización a la tarea de control es crucial para garantizar un rendimiento robusto, superando a los métodos de identificación estándar.

En resumen, el artículo propone una metodología rigurosa para "sensibilizar" la identificación de modelos hacia los objetivos de control, logrando mejoras tangibles en la robustez del control predictivo cuando los datos son escasos o poco informativos.