Families of Control-Cost-Parametrized Inverse-Optimal Universal Stabilizers

Resumen Técnico: Familias de Estabilizadores Universales de Control-Costo-Parametrizados de Óptimo Inverso

Planteamiento del Problema
El artículo aborda una limitación fundamental en la estabilización universal clásica, específicamente la fórmula de Sontag. Si bien la fórmula de Sontag garantiza la estabilidad asintótica global para cualquier sistema que admita una Función de Lyapunov de Control (CLF), no ofrece libertad de diseño al profesional; es un objeto único y sin parámetros. Por el contrario, la construcción de Curtis–Beard proporciona una familia completa de controladores de optimización inversa, pero depende de dos funciones dependientes del estado con efectos indirectos y complejos en los transitorios de lazo cerrado, lo que dificulta su interpretación y ajuste. Los autores pretenden cerrar esta brecha introduciendo una familia parametrizada de leyes de retroalimentación estabilizadoras que ofrece una libertad de diseño explícita manteniendo, al mismo tiempo, garantías rigurosas de estabilidad y optimalidad inversa.

Metodología
El marco propuesto, denominado "medio-directo-óptimo" (half-direct-optimal), invierte el orden tradicional del diseño de optimización inversa. En lugar de construir un controlador y luego identificar un funcional de costo que este minimiza, el diseñador prescribe primero una función escalar $\gamma(s)$ que representa el costo corriente del control de entrada.

La metodología procede mediante una construcción de tres pasos para mapear la función de costo elegida $\gamma$ hacia una función de "expansión" no lineal $\kappa$:

1. Diferenciación: Calcular la derivada $\gamma'$.
2. Contracción Algebraica: Definir una función "contractora" $\Theta(s) = s - \gamma(s)/\gamma'(s)$.
3. Inversión: Definir el expansor como la inversa, $\kappa = \Theta^{-1}$.

Dada una CLF $V(x)$ y una ley de retroalimentación nominal (como la fórmula de norma mínima de Freeman-Kokotovic o la fórmula de medio-Sontag), la retroalimentación estabilizadora final $u^*(x)$ se construye aplicando el expansor $\kappa$ a la magnitud del control nominal: $u^*(x) = \text{sgn}(u_0(x))\kappa(|u_0(x)|)$.

Para facilitar la implementación práctica, el artículo establece que el mapeo $\mathcal{K}: \gamma \mapsto \kappa$ es Lipschitz continuo en subconjuntos compactos del espacio de funciones relevante. Esta regularidad permite que toda la familia de controladores sea aproximada uniformemente por un único Operador Neuronal entrenado (específicamente un Operador Neuronal de Fourier). Esto permite la exploración fuera de línea del espacio de diseño y la adaptación en línea sin tener que resolver el problema de inversión de dimensión infinita en cada paso de tiempo.

Contribuciones Clave

1. Paradigma de Diseño Medio-Directo-Óptimo: El artículo introduce una familia de estabilizadores donde la función de costo de control $\gamma$ es el parámetro de diseño principal. Se demuestra que cada controlador en esta familia es el minimizador único de un funcional de costo de horizonte infinito con la penalización de control prescrita $\gamma$ y un costo de estado inducido $q(x)$.
2. Lipschitzidad y Aprendibilidad: Los autores demuestran que el operador que mapea el costo de control $\gamma$ al expansor $\kappa$ es Lipschitz. Este resultado teórico garantiza que los operadores neuronales pueden aproximar el mapeo con precisión arbitraria, transformando la construcción teórica en una herramienta de ingeniería escalable.
3. Estabilidad y Casi-Optimalidad bajo Aproximación: El artículo establece que cuando el expansor es aproximado por un operador neuronal, la ley de retroalimentación resultante preserva la estabilidad asintótica práctica semiglobal (SPAS). Además, cuantifica la pérdida de rendimiento: la distorsión del costo de estado inducido es una perturbación de segundo orden ($O(\epsilon^2)$) respecto al error de aproximación $\epsilon$ del operador neuronal. También se deriva un límite de optimalidad de horizonte finito para medir la brecha de rendimiento entre los controladores exactos y aproximados.

Resultados
Los resultados teóricos se ilustran numéricamente utilizando un modelo de dinámica de unícleo (unicycle). El estudio compara tres controladores:

• El controlador de optimización inversa exacto (calculado mediante bisección).
• El controlador aproximado por operador neuronal.
• El controlador de medio-Sontag nominal (costo cuadrático).

Los resultados numéricos demuestran que la aproximación del operador neuronal es visualmente indistinguible de la solución exacta en las trayectorias de lazo cerrado. El controlador aprendido logra conducir el sistema al origen, preservando la estabilidad. Los resultados confirman que, mientras que el diseño de optimización inversa exacto produce transitorios más agresivos y una convergencia de la CLF más rápida (a costa de un mayor esfuerzo de control), la aproximación neuronal replica fielmente el mapeo del expansor, validando la viabilidad de usar el aprendizaje automático para desplegar esta familia paramétrica en tiempo real.

Significancia
El artículo afirma transformar la estabilización universal de un resultado de existencia teórica en una herramienta de ingeniería práctica. Al permitir que el profesional seleccione una función de costo $\gamma$ que codifique preferencias específicas de agresividad o cautela en el control, el marco proporciona una forma sistemática de dar forma al comportamiento transitorio. La naturaleza "medio-directa-óptima" del diseño asegura que la configuración del rendimiento y la optimalidad inversa no estén en tensión, sino que sean propiedades intrínsecas del mismo objeto. La integración de operadores neuronales permite el uso a escala de estos controladores, permitiendo una exploración masiva del rendimiento fuera de línea y la adaptación en línea, haciendo así que la elegancia teórica de la estabilización universal sea accesible para aplicaciones prácticas.

Nota: El artículo señala explícitamente que el problema dual —donde el costo de estado es arbitrario y el de control es inducido— es más sencillo y queda fuera del alcance de este trabajo. El presente trabajo se centra en el caso donde el costo de control es el parámetro de diseño.