Koopman-based NMPC for Virtually Coupled Train Control System

Resumen Técnico: NMPC basado en Koopman para un Sistema de Control de Trenes con Acoplamiento Virtual

Planteamiento del Problema
El artículo aborda los desafíos de control inherentes a los sistemas de trenes con acoplamiento virtual, donde múltiples unidades de tren operan cooperativamente a distancias cortas con velocidades consistentes mediante comunicación tren a tren (T2T). Si bien el acoplamiento virtual promete operaciones ferroviarias de alta eficiencia y alta densidad, impone requisitos estrictos de intercambio de información en tiempo real, coordinación precisa de la velocidad y una garantía de seguridad riguroosa.

Las estrategias de control existentes enfrentan un compromiso:

• Los enfoques de MPC Lineal a menudo dependen de la linealización local, lo que puede fallar al capturar las no linealidades intrínsecas de la dinámica de tracción y frenado, comprometiendo potencialmente la suavidad de la operación y la utilización de recursos.
• El Control Predictivo Basado en Modelo No Lineal (NMPC) ofrece un marco unificado para manejar dinámicas no lineales y restricciones complejas, pero sufre de altos costos computacionales debido a la optimización no convexa, lo que dificulta su implementación en tiempo real para aplicaciones críticas de seguridad.
• Los métodos basados en datos (por ejemplo, redes neuronales, aprendizaje por refuerzo profundo) carecen de interpretabilidad y tienen dificultades para imponer restricciones operativas estrictas de manera fiable.

El problema central es desarrollar un marco de control que maneje simultáneamente la dinámica no lineal del tren y las complejas restricciones de seguridad (específicamente la evitación de colisiones que involucra términos de velocidad al cuadrado) garantizando al mismo tiempo la eficiencia computacional requerida para la ejecución en tiempo real.

Metodología
Los autores proponen un enfoque de Control Predictivo Basado en Modelo No Lineal basado en Koopman analítico (K-NMPC). La metodología procede de la siguiente manera:

1. Modelado del Sistema: La dinámica del tren se modela utilizando las leyes de Newton, incorporando posición, velocidad, entradas de control (fuerzas de tracción/frenado), resistencia de rodadura y resistencia adicional. Las restricciones incluyen límites de velocidad, límites de las entradas de control, límites de jerk y restricciones de evitación de colisiones (que contienen términos no lineales relacionados con las distancias de frenado y los tiempos de reacción).
2. Levantamiento Analítico (Analytical Lifting): En lugar de la identificación basada en datos (por ejemplo, EDMD), los autores emplean un procedimiento de levantamiento analítico. Definen un conjunto de observables de Koopman que incluyen los estados originales (posición, velocidad) y los términos no lineales que aparecen en las restricciones y la dinámica (específicamente velocidades al cuadrado, $v_i^2$).
   • El conjunto inicial de observables es $\Phi_{in} = \{p_i, v_i, v_i^2\}$.
   • Para asegurar una base completa para la dinámica, se incluyen teóricamente mónomios de orden superior ($v_i^n$ para $n \ge 3$), aunque se utiliza una base reducida con un grado polinómico máximo $\bar{n}$ para la reducción de dimensionalidad práctica.
3. Sistema Levantado de Koopman: El sistema no lineal se transforma en un sistema de Koopman bilineal de dimensión infinita. Este se aproxima mediante un sistema Afín de Parámetros Variantes (APV) de dimensión finita.
4. Predicción y Optimización:
   • El modelo APV se discretiza utilizando una solución de forma cerrada de una integral de convolución.
   • Crucialmente, los autores congelan los parámetros afines del predictor levantado a lo largo de la trayectoria predicha desplazada (basada en la solución del paso de tiempo anterior).
   • Este congelamiento transforma el problema de control óptimo en línea de un programa no lineal no convexo en un Programa Cuadrático (QP).
5. Comparación de Referencia: El K-NMPC propuesto se evalúa frente a un esquema NMPC de tiempo discreto estándar que resuelve el problema de optimización no lineal original directamente utilizando el framework CasADi y el solver IPOPT.

Contribuciones Clave

• Levantamiento Analítico para Restricciones de Seguridad: El artículo demuestra cómo levantar sistemáticamente las restricciones de seguridad no lineales (específicamente la evitación de colisiones que involucra términos de $v^2$) al espacio de observables de Koopman de forma analítica, evitando la necesidad de una selección de diccionario basada en datos que puede conducir a una baja interpretabilidad o alta dimensionalidad.
• Eficiencia Computacional mediante Formulación QP: Al congelar los parámetros APV a lo largo de la trayectoria, el método convierte el problema NMPC inherentemente no convexo en un QP convexo. Esto reduce significamente la carga computacional en línea en comparación con la resolución de NLPs no convexos.
• Marco Unificado: El enfoque proporciona un marco unificado que maneja tanto la dinámica no lineal del tren como las restricciones operativas sin recurrir a la linealización local o a aproximaciones de caja negra basadas en datos.

Resultados
El método propuesto fue validado mediante simulaciones numéricas utilizando datos operativos realistas de la Línea Yizhuang de la Metro de Beijing (sección Tongji Nan a Jinhai Lu) con una formación de dos trenes.

• Desempeño de Seguimiento: El K-NMPC logró un desempeño de seguimiento comparable al NMPC de referencia. Específicamente, redujo la desviación promedio absoluta del espaciamiento aproximadamente en un 49% (de 0.237 m a 0.122 m) manteniendo desviaciones de velocidad e índices de consumo de energía casi idénticos.
• Tiempo Computacional: El K-NMPC demostró una eficiencia computacional superior.
  • Para horizontes de predicción ($N_p$) que van de 6 a 20, el tiempo de computación promedio del K-NMPC osciló entre 5.4 ms y 17.0 ms, con un máximo por debajo de 23 ms.
  • En contraste, el NMPC de referencia requirió de 20.2 ms a 29.1 ms en promedio, con tiempos máximos que alcanzaron los 64–89 ms.
  • El K-NMPC redujo el tiempo de computación promedio entre un 40–70% y el tiempo máximo hasta un 85%.
• Satisfacción de Restricciones: Ambos controladores cumplieron con las restricciones de fuerza, tasa y evitación de colisiones, aunque el K-NMPC exhibió variaciones de control más suaves tras el transitorio inicial.

Significancia y Reivindicaciones
El artículo afirma que el enfoque K-NMPC propuesto ofrece una solución viable para la implementación en tiempo real de sistemas de control de trenes con acoplamiento virtual. Al transformar el problema de control óptimo no lineal en un programa cuadrático eficientemente resoluble mediante el levantamiento analítico y el congelamiento de parámetros, el método reconcilia la necesidad de un modelado no lineal de alta fidelidad con los estrictos requisitos de tiempo real de las operaciones ferroviarias críticas para la seguridad. Los autores sostienen que el enfoque mantiene un desempeño de control comparable al NMPC estándar, ofreciendo al mismo tiempo ganancias sustanciales en velocidad computacional, lo que lo convierte en un fuerte candidato para el despliegue práctico en escenarios ferroviarios de alta densidad.