Nonlinear Stochastic Density Steering via Gaussian Mixture Schrodinger Bridges and Multiple Linearizations

Resumen Técnico: Control de Densidad Estocástica No Lineal mediante Puentes de Schrödinger de Mezclas Gaussianas y Múltiples Linealizaciones

1. Planteamiento del Problema

El problema central abordado es el control de la evolución estocástica de un sistema dinámico no lineal entre dos distribuciones de probabilidad prescritas (una inicial $\rho_0$ y una terminal $\rho_T$). Este es un desafío fundamental en la intersección del control óptimo estocástico (SOC), la teoría de la probabilidad y la mecánica estadística.

• Limitaciones de los métodos existentes:
  • Los métodos tradicionales de Control de Covarianza Óptima (OCS) son eficientes para sistemas lineales con distribuciones gaussianas, pero fallan en sistemas no lineales con incertidumbre multimodal o grandes desviaciones.
  • Las aproximaciones de linealización única (basadas en expandir el sistema alrededor de una única trayectoria de referencia o media global) se vuelven inexactas cuando la masa de probabilidad se dispersa significativamente fuera de la región de validez de la linealización (aproximación de Taylor de primer orden).
  • Los métodos basados en difusión (diffusion-based) a menudo carecen de síntesis de retroalimentación explícita o garantías rigurosas sobre la distribución terminal.
• Objetivo: Desarrollar un marco computacionalmente viable para el control de densidad no lineal que garantice explícitamente la distribución terminal, incluso en presencia de no linealidades fuertes y incertidumbre multimodal.

2. Metodología Propuesta

Los autores proponen un marco de Múltiples Linealizaciones Distribución-a-Distribución, que descompone el problema no lineal global en una serie de subproblemas lineales locales. La metodología se basa en tres pilares:

A. Aproximación mediante Mezclas Gaussianas (GMM)
Se asume que las distribuciones de frontera ($\rho_0$ y $\rho_T$) se modelan como Mezclas Gaussianas (GMM). Dado que las GMM son densas en el espacio de medidas de probabilidad, cualquier distribución puede aproximarse con alta precisión.
$$\rho_0 = \sum_{i=1}^{N_0} \alpha_i^0 \mathcal{N}(\mu_i^0, \Sigma_i^0), \quad \rho_T = \sum_{j=1}^{N_1} \alpha_j^T \mathcal{N}(\mu_j^T, \Sigma_j^T)$$

B. Descomposición en Subproblemas de Puentes de Schrödinger (OCS)
En lugar de linealizar el sistema alrededor de una única media global, el método:

1. Define trayectorias de referencia deterministas $\mu_{t|ij}$ para cada par de componentes $(i, j)$ entre la mezcla inicial y la final.
2. Resuelve un problema de control óptimo determinista para obtener la trayectoria de media y el control de avance (feedforward) $\bar{u}_{t|ij}$.
3. Linealiza la dinámica no lineal alrededor de cada trayectoria de referencia $\mu_{t|ij}$, obteniendo matrices Jacobianas locales $A_{t|ij}$.
4. Resuelve un subproblema de Control de Covarianza Óptima (OCS) lineal para cada par $(i, j)$ utilizando Programación Semidefinida (SDP) para obtener una ley de retroalimentación afín local $u_{t|ij}$.

C. Síntesis del Controlador Global
La ley de control final es una combinación convexa ponderada de todas las políticas locales afines. El peso de cada política depende de la probabilidad posterior de que el estado actual $x_t$ pertenezca a la componente $(i, j)$ de la mezcla.
$$u_t(x) = \sum_{i,j} \left[ K_{t|ij}(x - \mu_{t|ij}) + \bar{u}_{t|ij} \right] \frac{\rho_{t|ij}(x) \lambda_{ij}}{\sum_{i',j'} \rho_{t|i'j'}(x) \lambda_{i'j'}}$$
Donde $\lambda_{ij}$ son pesos óptimos obtenidos resolviendo un problema de transporte óptimo (Programación Lineal) que acopla las componentes iniciales con las finales minimizando el costo.

3. Contribuciones Clave

1. Marco de Múltiples Linealizaciones: Se introduce un método que descompone un problema de control de densidad no lineal en múltiples subproblemas OCS gaussianos, permitiendo capturar la estructura no lineal y multimodal de la incertidumbre.
2. Análisis Teórico de Error:
   • Teorema 1: Demuestra que el límite superior del error de linealización esperado para el método de múltiples linealizaciones es estrictamente menor o igual que el de una linealización única, bajo condiciones de acotación cuadrática uniforme.
   • Teorema 2: Establece que si los componentes del campo vectorial son convexos o cóncavos, la aproximación de múltiples linealizaciones es estrictamente más precisa que la linealización global.
3. Consistencia con la Ecuación FPK: Se demuestra que la ley de control propuesta satisface la ecuación de Fokker-Planck-Kolmogorov (FPK) para una dinámica aproximada que se acerca más a la no linealidad real que una simple linealización.

4. Resultados Numéricos

Los autores validaron el método en un escenario de transferencia orbital Tierra-Marte bajo dinámica gravitacional no lineal y ruido estocástico. Se comparó el enfoque propuesto (ML - Multiple Linearization) contra un método de línea base de linealización única (SL - Single Linearization) en dos casos:

• Caso I: Distribuciones de Frontera Multimodales:
  • Escenario con 3 componentes iniciales y 2 finales (distribuciones separadas).
  • Resultado: El método SL falla en capturar la separación de la masa de probabilidad, mientras que ML logra guiar exitosamente cada componente a su destino correspondiente.
• Caso II: Distribuciones con Grandes Covarianzas:
  • Escenario con una sola componente pero alta incertidumbre (covarianza grande).
  • Resultado: ML logra un control de distribución más ajustado y eficiente.

Métricas de Comparación (Tabla 2):

• Costo de Control ($J_{ctrl}$): ML redujo el costo en un 10.62% (Caso I) y 18.94% (Caso II) en comparación con SL.
• Distancia Sliced Wasserstein-2 ($W_2$): ML mostró una distancia significativamente menor al objetivo terminal (ej. 1.25 vs 4.45 en Caso I), indicando una coincidencia mucho más precisa con la distribución deseada.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre el control óptimo estocástico teórico y la aplicación práctica en sistemas aeroespaciales complejos.

• Robustez: Permite manejar incertidumbre multimodal y no linealidades fuertes donde los métodos de linealización única fallan o requieren un costo prohibitivo.
• Eficiencia Computacional: Al descomponer el problema en subproblemas convexos (SDP), se evita la maldición de la dimensionalidad típica de las ecuaciones de Hamilton-Jacobi-Bellman (HJB) no lineales.
• Aplicabilidad: Ofrece garantías explícitas sobre la distribución terminal, lo cual es crítico para misiones espaciales donde el margen de error en la llegada (ej. inserción orbital) debe ser estrictamente controlado.

En conclusión, el método propuesto demuestra que la descomposición de problemas de control de densidad no lineal en una mezcla de puentes de Schrödinger lineales locales ofrece una solución superior, tanto teórica como empíricamente, a las técnicas de linealización global tradicionales.