Data-driven Kernel-based Predictive Control with Stability and Robustness Guarantees

Resumen Técnico: Control Predictivo Basado en Kernel Dirigido por Datos con Garantías de Estabilidad y Robustez

Formulación del Problema
El artículo aborda el control de sistemas no lineales discretos de tiempo desconocido utilizando únicamente datos de entrada-salida. Si bien el Control Predictivo Basado en Modelo (MPC) es eficaz para manejar restricciones y no linealidades, su dependencia de modelos paramétricos precisos limita su aplicación en sistemas complejos y de alta dimensión donde el modelado es costoso o inviable. Los métodos de control predictivo dirigido por datos (DDPC) existentes, basados principalmente en el lema fundamental de Willems, están restringidos mayoritariamente a sistemas lineales invariantes en el tiempo (LTI). Aunque extensiones recientes intentan manejar las no linealidades mediante la linealización local, redes neuronales o métodos de kernel, estos enfoques carecen a menudo de garantías teóricas rigurosas respecto a la factibilidad recursiva y la estabilidad de bucle cerrado, particularmente cuando se omiten los conjuntos terminales y los costos terminales. El desafío central es desarrollar un marco de control dirigido por datos para sistemas no lineales desconocidos que proporcione garantías formales de estabilidad sin requerir identificación de sistemas explícita ni elementos terminales.

Metodología
El marco propuesto, denominado Control Predictivo Basado en Kernel Dirigido por Datos (DDKPC), construye un predictor de pasos múltiples directamente a partir de trayectorias históricas de entrada-salida utilizando métodos de kernel y el teorema del representante.

1. Predictor de Pasos Múltiples Basado en Kernel: Los autores asumen que el comportamiento de entrada-salida del sistema puede representarse en un Espacio de Hilbert de Núcleo Reproductor (RKHS). En lugar de aprender un modelo de espacio de estados, aproximan el mapeo no lineal desconocido de las condiciones iniciales y las entradas futuras hacia las salidas futuras. Esto se logra mediante un estimador basado en kernel ajustado a datos fuera de línea (offline). El predictor captura implícitamente la dinámica no lineal, y el teorema del representante asegura que el estimador tome una forma lineal de dimensión finita en el espacio de características, permitiendo obtener cotas de error explícitas.
2. Esquema de Control Nominal: Para datos libres de ruido, el problema de control se formula como una optimización que minimiza un costo de etapa cuadrático sujeto a una restricción de igualdad implícita derivada del predictor de kernel. Para manejar el desajuste inevitable entre la aproximación de kernel y el sistema real, se introduce una variable de holgura (slack variable) en las restricciones, la cual es penalizada en la función objetivo. El análisis teórico demuestra que si el horizonte de predicción es suficientemente largo y el error de representación del kernel es suficientemente pequeño, el esquema garantiza la factibilidad recursiva y la estabilidad práctica de bucle cerrado. Crucialmente, estas garantías se logran sin los convencionales conjuntos terminales o costos terminales.
3. Relajación Computacional: Reconociendo que la restricción implícita de kernel vuelve no convexo el problema de optimización, los autores introducen una formulación de relajación por penalización. Esto convierte la restricción de igualdad estricta en un término de penalización cuadrática dentro de la función objetivo, permitiendo el uso de métodos de optimización de primer orden eficientes (por ejemplo, descenso de gradiente proyectado) para su implementación en tiempo real.
4. Robustez al Ruido: Para abordar el ruido de medición tanto en la recolección de datos fuera de línea como en la operación en línea, el marco agrega el error de representación de kernel y el ruido de medición acotado en una cota de incertidumbre unificada. La formulación de control se modifica para reescalar los pesos de regularización basándose en esta cota, asegurando la estabilidad robusta.
5. Extensión a Sistemas Variantes en el Tiempo: Para sistemas no lineales que varían lentamente en el tiempo, donde un diccionario fijo fuera de línea se vuelve obsoleto, los autores proponen una extensión en línea. Esto implica mantener un diccionario en línea de presupuesto fijo gestionado por el criterio de Dependencia Lineal Aproximada (ALD). Se admiten nuevos puntos de datos basados en su novedad informativa, y se eliminan los puntos redundantes. El predictor de kernel se reconstruye periódicamente a partir de este diccionario evolutivo. El análisis teórico demuestra que la factibilidad recursiva y la estabilidad práctica se preservan bajo tasas acotadas de variación del sistema y errores de predicción en línea uniformes.

Contribuciones Clave
El artículo realiza tres contribaciones principales:

• Marco DDKPC Nominal: Establece un marco de DDKPC para sistemas no lineales desconocidos que proporciona factibilidad recursiva demostrable y estabilidad práctica sin depender de elementos terminales. Utiliza una estrategia de relajación por penalización para facilitar la computación eficiente en tiempo real.
• Extensión de Robustez: Extiende sistemáticamente las garantías teóricas para acomodar el ruido de medición al agregar la incertidumbre de los datos y el desajuste de representación en una cota unificada, asegurando la estabilidad en entornos ruidosos.
• Adaptación de Tiempo Variable: Extiende el marco a sistemas no lineales que varían lentamente en el tiempo mediante un diccionario en línea gestionado por ALD y actualizaciones periódicas del predictor. Demuestra que la factibilidad recursiva y la estabilidad práctica se mantienen bajo la evolución de tasa acotada y condiciones de error de predicción en línea uniformes.

Resultados
La efectividad del enfoque propuesto se valida mediante ejemplos numéricos:

• Referencia de Vehículo Unidimensional: Las simulaciones en un modelo de vehículo no lineal demuestran que el DDKPC basado en kernel estabiliza con éxito el sistema y sigue las referencias, mientras que el DDPC lineal estándar falla. Los resultados muestran que los kernels gaussianos superan a los kernels polinómicos en precisión de estado estacionario. Además, el uso de solvers de primer orden (FastGD) logra un rendimiento de bucle cerrado comparable a los solvers de programación no lineal (NLP) de propósito general, pero con un tiempo de computación significativamente reducido. El DDKPC en línea con actualizaciones periódicas del diccionario mitiga eficazmente el sesgo de seguimiento causado por parámetros que varían lentamente en el tiempo, superando a los diseños estáticos fuera de línea.
• Simulación de Robot Cuadrúpedo: Una simulación en PyBullet de un robot cuadrúpedo A1 que transporta una carga descentrada ilustra la aplicabilidad del método a sistemas de locomoción con alto contacto y no lineales. El DDKPC actúa como un controlador de velocidad residual, compensando la dinámica inducida por la carga. Los resultados muestran reducciones significativas en el Error Cuadrático Medio (RMSE) de seguimiento en comparación con un controlador de cuerpo completo nominal. La variante de DDKPC en línea se adapta más eficazmente a cambios repentinos de carga que la versión estática fuera de línea.

Significancia
El artículo afirma cerrar la brecha entre el control dirigido por datos teórico y la aplicación práctica para sistemas no lineales. Al aprovechar el teorema del representante, el método evita la necesidad de un modelado paramétrico explícito mientras proporciona garantías de estabilidad formal que suelen estar ausentes en los enfoques actuales basados en kernels o redes neuronales. El trabajo aborda obstáculos críticos de implementación, incluyendo la carga computacional de la optimización no convexa y la presencia de ruido de medición, y extiende la teoría a escenarios variantes en el tiempo. Los autores enfatizan que su enfoque ofrece una forma sistemática de sintetizar controladores de horizonte recesivo estabilizadores puramente a partir de datos de entrada-salida para una amplia clase de sistemas no lineales, sin requerir mediciones completas del estado o elementos terminales complejos.