Resumen Técnico: Certificación de Estabilidad de Entrada a Estado mediante Residuales de Proyección para el Control por Aprendizaje de Koopman

1. Planteamiento del Problema

El artículo aborda la certificación de estabilidad del control por aprendizaje de Koopman basado en datos para sistemas repetitivos no lineales de tiempo discreto desconocidos que operan sobre horizontes de ensayo finitos. A diferencia del Control de Aprendizaje Iterativo (ILC) clásico, que a menudo busca la convergencia de error cero o la convergencia monotónica nominal, este trabajo se centra en la Estabilidad de Entrada a Estado (ISS) práctica a lo largo del eje de aprendizaje-ensayo ($k$).

El núcleo del desafío identificado es que, en entornos basados en datos, un residuo de predicción pequeño (ajuste del modelo) no garantiza la estabilidad. La estabilidad depende de:

1. Informatividad del Canal: El canal de entrada-salida de horizonte finito seleccionado debe poseer un margen positivo (invertibilidad) para generar la corrección de salida solicitada.
2. Alcanzabilidad: El incremento de salida solicitado debe encontrarse dentro del conjunto alcanzable restringido del canal aprendido. Si no es así, surge un residuo de proyección, que actúa como una perturbación persistente.
3. Perturbaciones Persistentes: Factores como el desajuste de reinicio (reset mismatch), perturbaciones no repetitivas, errores de identificación de canales, desplazamientos de despliegue y tolerancias numéricas no desaparecen a través de los ensayos.

El objetivo es construir un certificado determinista que acote el error de aprendizaje desde un estado inicial hasta una banda última explícita, tratando los residuales de Koopman, los errores de proyección y las incertidumbres como entradas ISS.

2. Metodología

Formulación del Sistema

El sistema se modela como una tarea repetitiva no lineal donde el estado $x_k(t)$, la entrada $u_k(t)$ y la salida $y_k(t)$ evolucionan sobre un horizonte dentro del ensayo $t \in \{0, \dots, N-1\}$ y un índice de ensayo $k$. El controlador utiliza una aproximación de operador de Koopman congelado (vía Descomposición de Modos Dinámicos Extendida con Control, EDMDc) para actualizar las entradas ensayo a ensayo.

La dinámica de aprendizaje se formula como un sistema de tiempo discreto en el eje de ensayo:
$$\bar{E}_k = \Lambda \bar{E}_{k-1} + r_k$$
donde $\bar{E}_k$ es el error de seguimiento apilado seleccionado, $\Lambda$ es una matriz de aprendizaje con $\|\Lambda\|_\infty < 1$, y $r_k$ agrega todas las fuentes de perturbación.

Componentes Clave del Certificado

Los autores descomponen el término de perturbación $r_k$ (la entrada ISS) en componentes específicos y auditables:

1. Residuales de Koopman ($\omega_k$): Desajuste del modelo y perturbaciones no repetitivas.
2. Residuales de Proyección ($p_k$): La distancia entre el incremento de salida solicitado y el conjunto alcanzable restringido del canal aprendido. Esto es una limitación estructural, no solo un error numérico.
3. Incertidumbre del Canal ($\Delta G_k \Delta U_k$): Errores en la matriz de canal de horizonte finito aprendida.
4. Perturbaciones de Reinicio/Observabilidad ($\Delta O_k \Delta z_{k,0}$): Desajustes en las condiciones iniciales y la observabilidad.
5. Desplazamientos de Despliegue y Tolerancias Numéricas: Diferencias entre las distribuciones de calibración y despliegue, y errores del solver.

Protocolo de Certificación

El artículo propone un procedio de certificación capaz de rechazo (Algoritmo 1) que valida un controlador candidato antes de su despliegue:

1. Ajuste del Modelo: Aprender las matrices de Koopman a partir de datos de identificación.
2. Verificación de Margen: Comprobar si el canal seleccionado tiene un margen de valor singular mínimo positivo ($\sigma_{\min} - \epsilon > 0$). De lo contrario, el candidato es rechazado (no certificabilidad de canal débil).
3. Auditoría de Proyección: Calcular el peor caso del presupuesto de proyección sobre el conjunto de solicitud certificado.
4. Verificación de Invarianza: Verificar que la condición de contracción $\lambda R + P(R, \bar{Z}_0) + \bar{\xi} \leq R$ se cumple, asegurando que el error permanezca dentro de una bola certificada.
5. Calibración de Muestra Finita: Utilizar la predicción de conformal dividida (split-conformal prediction) en un conjunto de datos de calibración para acotar el puntaje de residuo de episodio completo con un nivel de riesgo especificado.

Resultados Teóricos

• Teorema 1 (ISS Práctica Determinista): Establece que si el margen del canal es positivo y las perturbaciones están acotadas, el error de aprendizaje converge geométricamente hacia una banda última $\Delta_{ISS} = \bar{w} / (1-\lambda)$, donde $\bar{w}$ es el presupuesto de perturbación agregado.
• Teorema 2 (Presupuesto ISS de Muestra Finita): Proporciona un límite probabilístico sobre $\bar{w}$ combinando el puntaje de residuo de conformal con los límites deterministas sobre la incertidumbre del canal, los residuales de proyección y los desplazamientos de despliegue.

3. Contribuciones Clave

1. Formulación de ISS Práctica: El artículo formula la estabilidad del control por aprendizaje de Koopman como un problema de ISS práctica a lo largo del eje de ensayo, separando explícitamente el ajuste del modelo de la certificabilidad del aprendizaje.
2. Residuales de Proyección como Objetos de Estabilidad: Identifica los residuales de proyección y los márgenes de canal seleccionados como objetos de certificado necesarios. Demuestra que un predictor con residuales pequeños aún puede fallar la certificación de estabilidad si el canal es débil o la solicitud es inalcanzable.
3. Presupuesto de Certificado Computable: Los autores proporcionan un método para construir una banda última explícita combinando:
   • Calibración de residuo de episodio completo (vía métodos de conformal dividido).
   • Márgenes de canal y de reinicio de horizonte finito.
   • Residuales de proyección.
   • Márgenes de implementación (desplazamiento, numérico).
4. Marco de Auditoría: Se desarrolla un marco de auditoría numérica para verificar cada componente de la teoría (escalado de residuo a banda, rechazo de canal débil, cierre de proyección y cobertura de la banda última) en lugar de simplemente comparar el rendimiento de seguimiento.

4. Resultados Numéricos y Validación

El artículo valida la teoría en cuatro sistemas repetitivos no lineales: un oscilador de Duffing (auditorías de lazo cerrado y de presupuesto), un oscilador de amortiguamiento cúbico y un servo no lineal.

• Escalado de Residuo a Banda: Los experimentos confirren que el aumento de la perturbación, el ruido o el desajuste del modelo aumenta linealmente la banda última certificada, consistente con la ganancia ISS $\gamma(s) = s/(1-\lambda)$.
• Rechazo de Canal Débil: Los casos con canales seleccionados "débiles" (valores singulares bajos) son correctamente rechazados por el certificado, incluso si sus residuales de predicción son pequeños. Esto resalta que la precisión de la predicción por sí sola es insuficiente.
• Cierre de Proyección: La auditoría verifica que las correcciones de salida solicitadas permanecen dentro del conjunto alcanzable restringido para los candidatos certificados.
• Cobertura de la Banda Última: En los ensayos exitosos, los errores de seguimiento observados entran y permanecen dentro de la banda última teóricamente predicha después de un índice de entrada certificado.
• Estudios de Ablación: El artículo demuestra que los controladores "nominales" (presupuesto de residuo cero) fallan la certificación, mientras que los mismos controladores se vuelven certificables cuando se incluye el presupuesto de residuo calibrado. Por el contrario, inflar el presupuesto de forma conservadora expande la banda última, manteniendo la cobertura.

5. Significado y Reivindicaciones

El artículo afirma proporcionar un certificado de estabilidad práctico basado en datos para el control por aprendizaje de Koopman que es distinto del análisis de convergencia tradicional.

• Separación de Preocupaciones: Separa rigurosamente el ajuste del modelo (residuales de predicción) de la certificabilidad del control (márgenes de canal y alcanzabilidad). Un buen predictor no es automáticamente un controlador estabilizador.
• Límites Explícitos: A diferencia de los resultados asintóticos, este método proporciona un límite último explícito y computable sobre el error de seguimiento antes del despliegue, teniendo en cuenta datos finitos, restricciones y perturbaciones persistentes.
• Robustez ante No Idealidades: El marco tiene en cuenta explícitamente los desajustes de reinicio, los desplazamientos de despliegue y las tolerancias numéricas, tratándolos como entradas ISS en lugar de asumir que desaparecen.
• Alcance Modesto: Los autores enfatizan que el resultado es un certificado dependiente del protocolo de tarea y de horizonte finito. No pretende una estabilidad universal para cualquier controlador aprendido, sino que proporciona una pista de auditoría rigurosa para configuraciones de control específicas y congeladas bajo protocolos definidos.

El trabajo concluye que el control por aprendizaje de Koopman solo puede certificarse como estable cuando los residuales del modelo, los residuales de proyección y los márgenes de canal se reportan como cantidades de estabilidad distintas y auditables.