GPU-Parallel Linearization Error Bounds for Real-Time Robust Optimal Control of Nonlinear and Neural Network Dynamics

Resumen Técnico: Límites de Error de Linealización Paralelos en GPU para el Control Óptimo Robusto en Tiempo Real

Planteamiento del Problema
El control seguro en tiempo real de sistemas no lineales inciertos (incluyendo aquellos con dinámicas de redes neuronales) requiere resolver el Problema de Control Óptimo No Lineal Robusto (RNOCP). Esto implica encontrar una política de control que garantice la satisfacción de restricciones bajo perturbaciones de peor caso. Aunque la Síntesis a Nivel de Sistema (SLS) ofrece un marco tratable para sistemas de alta dimensión al aproximar las dinámicas no lineales con modelos Lineales de Tiempo Variable (LTV), esta aproximación introduce un error de linealización. Los métodos existentes suelen ignorar este error para mantener el rendimiento o utilizan límites globales que resultan en tubos de alcance excesivamente conservadores (holgados), lo que vuelve ineficaz al controlador. El desafío central es desarrollar Límites de Error de Linealización (LEB) que sean simultáneamente ajustados, computables en tiempo real y diferenciables, permitiendo que un optimizador reformule las trayectorias para minimizar el error mientras preserva garantías de seguridad formales.

Metodología
El artículo propone GPUSLS-LEO, un marco de trabajo paralelo en GPU que integra LEB ajustados y diferenciables en un controlador robusto basado en SLS. La metodología consta de tres componentes principales:

1. LEB Ajustados y Diferenciables:

   • Para Dinámicas Analíticas: Los autores introducen los límites de Hessiano Basado en Trayectoria (PBH). A diferencia de los métodos estándar de aritmética de intervalos que evalúan los Hessianos sobre todo el espacio de estados (lo que provoca efectos de envoltorio y conservadurismo), el PBH utiliza una trayectoria coordenada a coordenada desde un punto nominal hasta el estado actual. Esto permite envoltorios de intervalo más ajustados para el resto de Taylor mediante la evaluación de las entradas del Hessiano sobre subconjuntos de prefijos más pequeños del dominio.
   • Para Dinámicas de Redes Neuronales (NN): El método aprovecha CROWN (una herramienta de verificación de redes neuronales) para generar límites afines sobre la salida de la NN. Estos límites se ajustan utilizando el Jacobiano local en el punto nominal para derivar límites de intervalo certificados y consistentes para el error de linealización.
   • Implementación: Ambos métodos están implementados en JAX, lo que permite la diferenciación automática y la paralelización en GPU. Esto permite el refinamiento basado en gradientes de las trayectorias nominales para minimizar el error de forma online.

2. Formulación de SLS Robusta con Propagación Zonotópica:

   • El marco extiende los resolvedores de SLS existentes para manejar conjuntos de perturbación no centrados en cero y matrices de perturbación con inversa por la derecha. Esto es crucial porque los LEB derivados producen conjuntos de incertidumbre zonotópicos que no están necesariamente centrados en cero.
   • Los autores demuestran que si la matriz de escala de la perturbación tiene inversa por la derecha, el problema de optimización para el controlador robusto (originalmente formulado con costos ponderados) es equivalente a un problema tipo LQR estándar, resoluble mediante métodos eficientes basados en Riccati.
   • Los tubos de alcance se propagan utilizando zonotopos, lo que permite sumas de Minkowski exactas de las perturbaciones exógenas y los errores de linealización, evitando el conservadurismo de las aproximaciones elipsoidales.

3. Bucle de Optimización Iterativo:

   • El resolvedor opera mediante un proceso iterativo (Programación Cuadrática Secuencial). En cada iteración, calcula una trayectoria nominal y un controlador de retroalimentación robusto.
   • Crucialmente, la naturaleza diferenciable de los LEB permite al resolvedor penalizar la acumulación de error directamente en la función de costo, sesgando la trayectoria nominal hacia regiones donde el error de linealización es mínimo.

Contribuciones Clave

• Nuevos Métodos de Acotación: Un conjunto de LEB demostrablemente consistentes, que incluyen límites de intervalo basados en trayectoria para sistemas analíticos y límites basados en verificadores de NN para dinámicas neuronales, los cuales son más ajustados que los métodos estándar de muestreo global o de intervalo.
• SLS Mejorada con Formulación: Una nueva formulación de SLS no lineal que incorpora el error de linealización mediante propagación zonotópica ajustada, manejando específicamente matrices de perturbación con inversa por la derecha y conjuntos no centrados en cero para garantizar la satisfacción de restricciones robustas.
• Resolvedor Acelerado por GPU (GPUSLS-LEO): Una implementación diferenciable y paralela en GPU en JAX que permite el control óptimo no lineal robusto en tiempo real y basado en gradientes.
• Escalabilidad y Rendimiento: Validación empírica en sistemas de hasta 168 dimensiones de estado (14 cuadricópteros 3D acoplados) y problemas con aproximadamente $2 \times 10^5$ variables de decisión.

Resultados

• Ajuste (Tightness): En sistemas de satélites y cuadricópteros, el método de Hessiano Basado en Trayectoria produjo las sobre-aproximaciones más ajustadas en comparación con el muestreo global, el Hessiano de intervalo estándar y las líneas base de muestreo aleatorio.
• Reducción de Conservadurismo: En una tarea de control de actitud de satélite de 7D, GPUSLS-LEO logró tubos un 20% más pequeños que NL-SLS (que utiliza límites globales) y un 45% más pequeños que GPUSLS-E (propagación elipsoidal). Para un cuadricóptero planar, el método redujo el área del tubo en un 91% comparado con las Métricas de Contracción de Control (CCM).
• Garantías de Seguridad: En todos los escenarios probados, incluyendo un sistema de "Neural T-pusher" y cuadricópteros acoplados de alta dimensión, el método logró una contención del 100% de los despliegues simulados dentro de los tubos robustos calculados. Las líneas base que omitieron el error de linealización (por ejemplo, el GPUSLS estándar) fallaron en contener todas las trayectorias.
• Rendimiento en Tiempo Real: El método alcanzó tasas de control de hasta 67 Hz en una NVIDIA RTX 4090. Los tiempos de resolución fueron tan bajos como 15 ms para sistemas más pequeños y se mantuvieron por debajo del paso de tiempo de discretización incluso para problemas complejos y de alta dimensión. El método PBH se ejecutó en menos de 1 ms para sistemas analíticos, siendo significativamente más rápido que el muestreo aleatorio denso.

Significancia
El artículo afirma cerrar la brecha entre la robustez teórica y el rendimiento práctico en el control no lineal. Al proporcionar límites de error de linealización ajustados, diferenciables y computables en tiempo real, el método permite que los resolvedores de RNOCP contabilicen formalmente el error de linealización sin sacrificar la eficiencia computacional ni introducir un conservadurismo excesivo. Esto permite el despliegue de controladores robustos y formalmente verificados en sistemas complejos y de alta dimensión (incluyendo aquellos con dinámicas aprendidas) en tiempo real, una capacidad que anteriormente estaba limitada por la intratabilidad de la alcanzabilidad exacta o la laxitud de los límites existentes.