Resumen Técnico: Dinámicas Residuales de Koopman de Fibra Estable para Control Robusto Constrained por el Entorno

1. Declaración del Problema

Los modelos dinámicos basados en aprendizaje para robótica y control enfrentan un compromiso fundamental entre expresividad y garantías formales. Si bien clases de modelos más ricas (por ejemplo, redes neuronales profundas) mejoran la precisión predictiva, sus propiedades de estabilidad a menudo se verifican solo empíricamente. Por el contrario, aproximaciones lineales como los métodos del operador de Koopman ofrecen análisis espectral y herramientas formales de estabilidad, pero sufren de aproximaciones finitas imperfectas, donde los residuos de elevación pueden crecer con el rango de operación y desestabilizar el modelo.

Además, los sistemas del mundo real operan en condiciones ambientales variables (por ejemplo, fricción del pavimento, velocidad del viento) que alteran la dinámica efectiva. Los métodos existentes luchan por capturar este continuo:

• Los métodos de Koopman a menudo carecen de una caracterización de Estabilidad Entrada-Estado (ISS) para aproximaciones de dimensión finita.
• El aprendizaje residual (por ejemplo, ICODE-MPPI) mejora la precisión pero delega la estabilidad por completo a un modelo nominal, que típicamente es válido solo localmente.
• Los modelos condicionados por el entorno (por ejemplo, ICODE, haces inducidos por mediciones) mejoran la generalización pero no se han combinado con garantías rigurosas de ISS en bucle cerrado.

El problema central abordado es la falta de un marco unificado que garantice simultáneamente la consistencia geométrica consciente del entorno, la certificación de estabilidad en el espacio latente y la propagación acotada de perturbaciones residuales.

2. Metodología: Dinámicas Residuales de Koopman de Fibra Estable (SFKD)

El artículo propone SFKD, un marco unificado que integra la geometría de haces de fibras, la evolución de Koopman condicionada por el entorno y residuos regularizados por contracción.

A. Estructura Latente de Haz de Fibras

La dependencia del entorno se formaliza mediante un haz de fibras $\pi: \mathcal{M} \to \mathcal{E}$, donde el espacio total $\mathcal{M}$ es la variedad latente y cada fibra $\mathcal{F}_e$ soporta dinámicas para un entorno específico $e$.

• Codificador: Una red de incrustación compartida $\psi(e)$ condiciona el codificador $\Phi(x, e)$, mapeando estados físicos a fibras específicas del entorno. Esto asegura la separación geométrica de las representaciones latentes para diferentes entornos.
• Transporte: Un mapa de transporte horizontal aprendido maneja las transiciones entre fibras cuando el entorno cambia.

B. Dinámicas de Koopman Condicionadas por el Entorno

Las dinámicas latentes se modelan como:
$$\hat{z}_{k+1} = A(e_k)\hat{z}_k + B(e_k)u_k + r_\theta(\hat{z}_k, u_k, e_k)$$

• Esqueleto Lineal: Los operadores $(A(e), B(e))$ son operadores lineales condicionados por el entorno aprendidos mediante mínimos cuadrados regularizados.
• Restricción Espectral: Para garantizar la estabilidad, la norma espectral de la matriz de Koopman se restringe: $\|A(e)\|_2 \leq 1 - \beta - \epsilon_0$. Esto se hace cumplir mediante una capa de normalización espectral diferenciable.

C. Residuos Regulados por Contracción

El término residual $r_\theta$ (una red neuronal) captura no linealidades no modeladas.

• Penalización de Contracción: El residual se entrena con una penalización de contracción de Jacobiano: $L_{contr} = \max(0, \|\frac{\partial r_\theta}{\partial z}\|_2 - \beta)^2$.
• Presupuesto de Estabilidad: El parámetro $\beta$ actúa como un "presupuesto de estabilidad" asignado a la corrección no lineal, mientras que el esqueleto de Koopman maneja la estructura lineal dominante.

D. Garantía Teórica de Estabilidad (ISS)

El artículo establece Estabilidad Entrada-Estado (ISS) para las dinámicas de error latente.

• Condición: Si $\alpha := \|A(e)\|_2 + \beta < 1$ para todo $e \in \mathcal{E}$, el sistema es ISS.
• Resultado: El error de estimación latente $\|e^z_k\|$ está acotado por un término decreciente (dependiente del error inicial) y un límite último finito dependiente de la magnitud de la perturbación no modelada $\bar{d}$ y del margen de estabilidad $(1-\alpha)$.
• Límite de Seguimiento: Cuando se integra en un controlador de Integral de Trayectoria de Modelo Predictivo (MPPI), el error de seguimiento físico está acotado por la suma de la precisión nominal del controlador y el límite de error inducido por la estabilidad del modelo.

3. Contribuciones Clave

1. Arquitectura: Introducción de una arquitectura de dinámicas latentes de Koopman condicionada por fibra donde los operadores lineales específicos del entorno se aprenden en variedades de fibra individuales.
2. Teoría: Derivación de condiciones analíticas ISS para dinámicas compuestas de Koopman-residual y demostración de un límite último finito sobre el error de estimación bajo perturbaciones persistentes.
3. Control: Desarrollo de un controlador MPPI robusto utilizando el predictor SFKD certificado, con un límite establecido sobre el error de seguimiento en bucle cerrado.
4. Validación: Validación exhaustiva en una referencia de seguimiento de trayectoria de vehículo autónomo contra cinco líneas base en tres escenarios ambientales.

4. Resultados Experimentales

Los experimentos se realizaron en una simulación de vehículo de alta fidelidad con fricción de neumático variable ($\mu \in [0.3, 0.9]$) y perturbaciones de viento. Los escenarios incluyeron carreteras uniformes, caídas abruptas de fricción y conmutación entre múltiples entornos.

Métricas de Rendimiento (vs. Mejores Líneas Base):

• Precisión de Seguimiento: SFKD logró una reducción del 31% en el RMSE de seguimiento en comparación con la mejor línea base (ICODE-MPPI) en el escenario de conmutación entre múltiples entornos.
• Suavidad de Control: Se observó una mejora del 44% en la suavidad de control (tasa media absoluta de giro).
• Estabilidad: SFKD mantuvo una tasa de violación de estabilidad latente cercana a cero (0.03) a través de todas las magnitudes de perturbación, mientras que las líneas base no certificadas exhibieron tasas de violación de hasta 0.43.
• Recuperación: En escenarios de conmutación de entorno, SFKD se recuperó en 1–2 pasos de tiempo, mientras que las líneas base exhibieron picos transitorios prolongados.

Estudios de Ablación:

• Eliminar la estructura de fibra (SFKD−Fiber) aumentó el RMSE en un 12% en escenarios de conmutación, confirmando la necesidad de adaptación específica del entorno.
• Eliminar la regularización de contracción (SFKD−Contr) aumentó la tasa de violación de estabilidad de 0.03 a 0.31, destacando el papel crítico del certificado de estabilidad.

5. Significado y Afirmaciones

El artículo afirma que SFKD cierra la brecha entre la condicionamiento geométrico del entorno y las garantías rigurosas de estabilidad en bucle cerrado. Al descomponer la dinámica en un esqueleto de Koopman con restricción de norma espectral y un residual con restricción de contracción, el marco impone una condición algebraica simple ($\|A(e)\|_2 + \beta < 1$) que es tanto diferenciable durante el entrenamiento como verificable a posteriori.

El significado radica en proporcionar una ruta principista para la especificación de rendimiento a nivel de sistema. El límite de error de seguimiento derivado descompone explícitamente el error total en componentes de rendimiento del controlador y de estabilidad del modelo, permitiendo a los diseñadores intercambiar la complejidad del modelo contra los márgenes de estabilidad. Los resultados demuestran que este enfoque produce una generalización superior en escenarios de conmutación de entorno en comparación con métodos que dependen únicamente de contracción o aproximaciones fijas de Koopman, sin sacrificar las garantías formales requeridas para el control robusto.