Resumen Técnico: MPC Subóptimo y de Orden Reducido mediante Separación de Escalas Temporales

Planteamiento del Problema

El Control Predictivo Basado en Modelo (MPC) enfrenta un desafío persistente en su implementación en tiempo real: la complejidad computacional de resolver problemas de control óptimo para sistemas de alta dimensión o altamente no lineales dentro de intervalos de muestreo estrictos. Si bien el aumento de la potencia computacional ha aliviado algunas cargas, resolver estos problemas hacia la optimalidad global en tiempo real sigue siendo inviable para muchas aplicaciones.

Para abordar esto, en la práctica se emplean a menudo dos estrategias comunes:

1. Reducción del Orden del Modelo: Utilizar modelos simplificados que omiten ciertas dinámicas (por ejemplo, dinámicas rápidas no modeladas o estados de compensadores de bajo nivel) para reducir la dimensionalidad del problema de optimización.
2. Enfoques Subóptimos: Calcular solo una solución aproximada al problema de control óptimo dentro de un número finito de iteraciones, en lugar de esperar a la convergencia al óptimo exacto.

Sin embargo, analizar rigurosamente la estabilidad y la factibilidad de un sistema de bucle cerrado que combina ambas estrategias es difícil. La interacción entre los errores de optimización (debido a la suboptimalidad) y el desajuste del modelo (debido a la reducción del orden del modelo) puede desestabilizar el sistema. La literatura existente a menudo trata estas estrategias por separado o se basa en formulaciones de tiempo discreto que no consideran explícitamente la naturaleza de tiempo continuo de la planta física y el papel del tiempo de muestreo.

Metodología: El Marco SMART-MPC

Los autores proponen un marco generalizado denominado SuboptiMAl and Reduced-order Tunable MPC (SMART-MPC). Este marco integra la optimización subóptima y el modelado de orden reducido dentro de un análisis de estabilidad riguroso basado en la separación de escalas temporales.

Modelado del Sistema

La planta física se modela como un sistema no lineal interconectado en tiempo continuo que consta de:

• Dinámicas Objetivo ($x_c$): Los estados primarios de interés que entran en la función de costo.
• Dinámicas Extra ($\xi_c$): Estados auxiliares que representan dinámicas no modeladas o compensadores de bajo nivel (por ejemplo, la dinámica eléctrica en un motor). Se asume que son rápidas y exponencialmente estables, convergiendo a una variedad de equilibrio $\xi_{eq}(x_c, u_c)$ cuando el estado objetivo y la entrada están fijos.
• Parámetro Ajustable ($\epsilon$): Un parámetro que escala la constante de tiempo de las dinámicas extra, permitiendo la aceleración arbitraria de estas dinámicas rápidas.

El sistema se discretiza con un tiempo de muestreo $\delta$, el cual es tratado no solo como un parámetro fijo, sino como una variable de diseño ajustable.

La Arquitectura de Control

El algoritmo SMART-MPC opera de la siguiente manera:

1. Modelo de Orden Reducido: El optimizador del MPC utiliza un modelo de orden reducido derivado al restringir las dinámicas extra a su variedad de equilibrio ($\xi_c = \xi_{eq}(x_c, u_c)$). Esto elimina los estados rápidos de las variables de optimización.
2. Optimización Subóptima: En cada instante de muestreo, el problema de control óptimo de horizonte finito se resuelve de forma subóptima. El optimizador ejecuta un algoritmo genérico (por ejemplo, Programación Cuadrática Secuencial) durante un número finito de iteraciones, actualizando un estado interno del optimizador $z_t$.
3. Interconexión de Bucle Cerrado: La planta física de orden completo (que incluye las dinámicas extra rápidas) se interconecta con el optimizador iterativo. La entrada de control se aplica a la planta completa, mientras que el optimizador solo "ve" el modelo reducido.

Análisis Teórico

El núcleo de la metodología reside en la teoría de perturbación singular y la separación de escalas temporales. Los autores analizan el sistema de bucle cerrado descomponiéndolo en:

• Subsistema Rápido (Capa Límite): Las dinámicas de los estados extra y el estado del optimizador, asumiendo que los estados objetivo están fijos.
• Subsistema Lento (Sistema Reducido): Las dinámicas de los estados objetivo, asumiendo que los estados extra y el optimizador están en sus variedades de equilibrio.

Al tratar el tiempo de muestreo $\delta$ como un parámetro ajustable, los autores demuestran que, si $\delta$ es suficientemente pequeño (y las dinámicas extra son suficientemente rápidas en relación con la tasa de muestreo, es decir, $\epsilon = r\delta$), el sistema de bucle cerrado se comporta como un sistema estable de dos escalas temporales.

Contribuciones Clave

1. Marco Unificado: El artículo proporciona una perspectiva metodológica rigurosa que maneja simultáneamente la optimización subóptima y la reducción del orden del modelo, una combinación utilizada a menudo de forma heurística en la práctica pero raramente analizada en conjunto.
2. El Tiempo de Muestreo como Parámetro de Diseño: A diferencia de otros trabajos que tratan el tiempo de muestreo como algo fijo, este marco analiza explícitamente el papel de $\delta$. Demuestra que operar a una tasa de muestreo suficientemente rápida es la clave para asegurar la estabilidad a pesar del uso de modelos reducidos y soluciones subóptimas.
3. Garantías Formales: Los autores demuestran que, bajo condiciones específicas (un $\delta$ suficientemente pequeño y un ajuste apropiado de $\epsilon$), el sistema de bucle cerrado logra:
   • Factibilidad Recursiva: El problema de optimización permanece factible en cada paso.
   • Estabilidad Exponencial: El sistema converge exponencialmente a un punto de equilibrio donde las dinámicas objetivo alcanzan el valor de consigna deseado, el estado del optimizador se alinea con la secuencia de entrada óptima y las dinámicas extra residen en su variedad de equilibrio.
4. Fundamento en Tiempo Continuo: El análisis se deriva directamente de las dinámicas en tiempo continuo, cerrando la brecha entre la realidad física y la implementación de MPC en tiempo discreto, ofreciendo una base más rigurosa que los análisis puramente de tiempo discreto.

Resultados y Validación

Los resultados teóricos se validan mediante experimentos virtuales en un brazo robótico de dos eslabones subactuado (PenduBot) impulsado por un motor de CC, simulado en el motor de física de alta fidelidad MuJoCo.

• Configuración Experimental: El optimizador MPC utiliza un modelo de orden reducido que omite las dinámicas eléctricas (corriente de la armadura) del motor, basándose en su lugar en las dinámicas mecánicas. La optimización se realiza utilizando una única iteración de un método de Programación Cuadrática Secuencial (SQP) por instante de muestreo (Iteración en Tiempo Real).
• Desempeño con Muestreo Rápido: Cuando el tiempo de muestreo $\delta$ es pequeño (0.005 s) y las dinámicas eléctricas son rápidas en relación con el muestreo ($\epsilon$ pequeño), el desempeño de SMART-MPC iguala al de dos referentes ideales: (1) MPC subóptimo con predicción exacta (de orden completo), y (2) MPC óptimo con predicción exacta. El sistema realiza con éxito una maniobra de swing-up hacia el equilibrio vertical.
• Degradación del Desempeño: Cuando se ralentiza la tasa de muestreo (0.07 s) o se reduce la separación de escalas temporales (mayor inductancia $L$), el desempeño se degrada, exhibiendo oscilaciones y un potencial fallo de convergencia. Esto confirma la necesidad teórica de una suficiente separación de escalas temporales.
• Robustez: Un análisis de Monte Carlo con condiciones iniciales aleatorias demuestra que el enfoque mantiene la estabilidad y estabiliza con éxito el robot en todos los ensayos bajo el régimen de muestreo rápido.

Significación y Reivindicaciones

El artículo sostiene que el marco propuesto SMART-MPC ofrece una solución teóricamente fundamentada para el despliegue de MPC en sistemas complejos y de alta dimensión donde los recursos computacionales son limitados. Al aprovechar la separación de escalas temporales, los autores demuestran que es posible:

• Omitir dinámicas rápidas no modeladas sin sacrificar la estabilidad.
• Utilizar soluciones subóptimas para reducir la carga computacional sin comprometer la factibilidad recursiva.
• Garantizar la estabilidad exponencial y la factibilidad recursiva mediante el ajuste adecuado del tiempo de muestreo.

Los autores enfatizan que su trabajo extiende versiones preliminares previas al proporcionar demostraciones rigurosas que parten de dinámicas de tiempo continuo y caracterizan explícitamente el papel del tiempo de muestreo. La validación en una configuración robótica desafiante en un simulador de alta fidelidad sugiere la viabilidad práctica del enfoque para aplicaciones del mundo real que involucran sistemas mecánicos y eléctricos interconectados.