Resumen Técnico: Aprendizaje de Dinámicas de Koopman Neural Estables y Conscientes del Entorno para Sistemas Impulsados por Entradas bajo Restricciones Ambientales

1. Planteamiento del Problema

El artículo aborda el desafío de construir modelos predictivos para sistemas dinámicos no lineales a partir de datos de medición, específicamente bajo condiciones de operación que varían con el entorno. Aunque los métodos existentes han avanzado en el campo, no logran abordar simultáneamente tres requisitos críticos dentro de un marco unificado y entrenable:

1. Variabilidad del Entorno: La mayoría de los modelos aprendidos tratan el entorno como fijo o dependen de la codificación implícita de parámetros físicos (p. ej., carga útil, fricción) dentro del estado, lo cual falla cuando las condiciones cambian fuera de la distribución de entrenamiento.
2. Garantías de Estabilidad Rigurosas: Los enfoques de aprendizaje profundo suelen carecer de interpretabilidad y certificación de estabilidad. Si bien las Neural ODEs y los operadores de Koopman ofrecen vías hacia la estabilidad, rara vez se combinan con el condicionamiento ambiental.
3. Certificación de Estabilidad de Entrada a Estado (ISS): Los métodos existentes tienen dificultades para proporcionar certificados analíticos de ISS para sistemas con entradas variables en el tiempo y parámetros ambientales cambiantes.

El objetivo central es aprender un modelo paramétrico que minimice el error de predicción de trayectoria en datos no vistos, proporcionando al mismo tiempo certificados analíticos de convergencia e ISS sin requerir muestreo.

2. Metodología: El Marco ESNKD

El marco propuesto de Dinámicas de Koopman Neural Estables y Conscientes del Entorno (ESNKD) integra cuatro componentes acoplados para abordar las brechas identificadas:

A. Codificación Ambiental Estructurada en Haz (Bundle-Structured)

Inspirado en el marco de haces fibrosos (fiber bundles), el método emplea un codificador $\psi_\phi$ que mapea observaciones ambientales ruidosas $y_t$ a una coordenada latente estructurada $z_t$.

• Regularización Geométrica: A diferencia de los codificadores estándar, este componente incluye un regularizador de isometría ($L_{enc}$) para preservar la estructura métrica del manifold ambiental. Esto evita el acoplamiento espurio entre distintas condiciones ambientales, asegurando que el campo vectorial aprendido sea robusto a las perturbaciones ambientales.
• Rol: La coordenada latente $z$ parametriza el campo vectorial, permitiendo que el modelo se adapte dinámicamente a cambios en los parámetros físicos (p. ej., fricción, masa).

B. Dinámica Condicionada por la Entrada

La dinámica del sistema se modela como un campo vectorial descompuesto:
$$\dot{x} = f_\theta(x, u, z) = f_s(x) + f_r(x, u, z)$$

• Estructura: $f_s(x) = -Kx$ proporciona una base lineal estabilizadora. $f_r$ es un residuo neural que incorpora el estado $x$, la entrada de control $u$ y el entorno $z$.
• Acoplamiento: El acoplamiento entre entorno e entrada se realiza mediante una capa de Modulación Lineal por Características (FiLM), vinculando las coordenadas ambientales directamente al campo vectorial. Esto extiende la filosofía de "concomitante de entrada" de los ICODEs para incluir el condicionamiento ambiental.
• Estabilización: Se aplica normalización espectral para restringir la constante de Lipschitz de la función residual, estabilizando los cálculos del Jacobiano.

C. Capa de Síntesis de Contracción

Para imponer la convergencia, el marco adopta un enfoque de análisis de contracción análogo a las ControlSynth Neural ODEs (CSODEs).

• Condición: El sistema se entrena para satisfacer una condición de contracción donde la parte simétrica del Jacobiano es definida negativa: $\text{sym}(\frac{\partial f_\theta}{\partial x}) \preceq -\beta I$.
• Entrenamiento: Se minimiza una penalización de bisel (hinge penalty, $L_{con}$) durante el entrenamiento para asegurar que el valor propio máximo del Jacobiano simétrico permanezca por debajo de $-\beta$. Este proceso es agnóstico a la arquitectura y gestiona la dependencia del entorno a través de $z$.

D. Elevación de Koopman y Verificación de ISS

Siguiendo el flujo teórico de trabajos recientes sobre modelos de Koopman verificados por ISS, el marco realiza un paso de verificación post-hoc:

• Elevación (Lifting): Se construye un diccionario de observables $\phi(x, z)$ (que comprende monomios de grado dos del estado y el entorno).
• Identificación: La dinámica elevada se aproxima como un sistema lineal $\dot{\phi} = A\phi + Bu$ mediante regresión de mínimos cuadrados.
• Certificación: La Estabilidad de Entrada a Estado (ISS) se verifica resolviendo un problema de factibilidad de Desigualdades Matriz Lineales (LMI). Si es factible, esto proporciona un certificado analítico de ISS con cotas de ganancia explícitas, convirtiendo una cuestión de robustez en un programa convexo tratable.

3. Garantías Teóricas

El artículo proporciona pruebas teóricas rigurosas que cubren:

• Existencia y Unicidad: Las soluciones existen y son únicas bajo condiciones de Lipschitz estándar.
• Estabilidad Exponencial Incremental: Si la condición de contracción se cumple, cualquier par de trayectorias impulsadas por la misma entrada y entorno convergen exponencialmente a una tasa $\beta$.
• ISS con Cotas Explícitas: Si la LMI es factible, el sistema elevado es ISS con una ganancia dependiente de las matrices de Koopman.
• Robustez: El modelo es robusto ante perturbaciones ambientales; el límite de error es proporcional a la distorsión en el manifold de la variedad ambiental, justificando el regularizador de isometría.

4. Resultados Experimentales

El marco fue evaluado en cinco sistemas de referencia, incluyendo péndulos amortiguados, cart-poles, HalfCheetah (MuJoCo) y dos plataformas de manipulación robótica (Franka Emika Panda y xArm) bajo perturbaciones desconocidas de carga útil y fricción.

• Precisión de Predicción: ESNKD logró el error cuadrático medio (RMSE) más bajo en todas las tareas, mostrando mejoras relativas del 26.3% y 21.5% sobre el mejor baseline (ISS-Koopman) en las tareas de péndulo y HalfCheetah, respectivamente.
• Estabilidad y Seguridad: ESNKD obtuvo la tasa de violación de estabilidad (SVR) más baja en cada tarea (media de 2.4% frente al 7.2% de ISS-Koopman y 17.9% de Neural ODE).
• Certificación de ISS: El método alcanzó una tasa de éxito de certificación ISS (ISS-SR) del 85–94.7% en las tareas. En contraste, los métodos sin elevación de Koopman (Neural ODE, ICODE, ControlSynth) no pudieron producir certificados, y Deep Koopman alcanzó como máximo un 47.8%.
• Estudio de Ablación: Eliminar el codificador ambiental aumentó el RMSE en un 63%. Eliminar la pérdida de contracción redujo la ISS-SR en 46 puntos porcentuales, confirmando que la regularización de estabilidad es esencial para la certificación de seguridad.

5. Significación y Reivindicaciones

El artículo afirma que ESNKD es el primer marco unificado que combina simultáneamente codificación ambiental, síntesis de estabilidad y certificación de ISS.

• Cerrando Brechas: Aborda la brecha estructural donde la codificación ambiental, la síntesis de estabilidad y la certificación de ISS se han tratado por separado anteriormente.
• Regularidad Geométrica: Demuestra que la regularidad geométrica de las representaciones latentes estructuradas en haces mejora la calidad de la elevación de Koopman y la certificación de estabilidad.
• Viabilidad Práctica: Los resultados sugieren que las Neural ODEs certificadas por estabilidad son prácticamente alcanzables incluso bajo condiciones de entorno variables e entradas que varían en el tiempo.
• Vía para la Exploración Segura: Los autores sugieren que los certificados de ISS obtenidos permiten el uso de Control Predictivo basado en Modelo (MPC) lineal robusto para una exploración segura, complementando los enfoques de Funciones de Barrera de Control (CBF) conscientes de la medición.

El artículo concluye que, si bien la identificación de Koopman se realiza actualmente de forma post-hoc, el marco establece una vía viable para aprender modelos de dinámica que sean provablemente estables y conscientes del entorno a partir de datos.