⚡ electrical engineering

Gaussian behaviors and stochastic data-driven control

Este artículo introduce los "comportamientos gaussianos", un marco de modelado estocástico tratable que extiende los sistemas LTI deterministas con ruido gaussiano para permitir métodos de control predictivo convexos y basados en datos que consideran explícitamente tanto la incertidumbre aleatoria como la epistémica a través de límites de confianza de muestras finitas.

Autores originales: András Sasfi, Alberto Padoan, Ivan Markovsky, Florian Dörfler

Publicado 2026-07-20

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: András Sasfi, Alberto Padoan, Ivan Markovsky, Florian Dörfler

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El arte de adivinar correctamente: Cuando las máquinas aprenden de sus errores

Imagine que está intentando enseñarle a un robot cómo conducir un coche. En los viejos tiempos, los ingenieros pasaban años escribiendo un manual masivo describiendo cada posible bache, curva y ráfaga de viento que el coche podría encontrar. Esto se llama "modelado". Pero, ¿qué pasa si el mundo es demasiado caótico para un manual? ¿Qué pasa si el coche circula por un planeta donde la física cambia ligeramente cada martes?

Aquí es donde entra en juego un campo llamado control basado en datos. En lugar de escribir un manual, simplemente le muestra al robot mil vídeos de un coche conduciendo. El robot observa los patrones en los vídeos y deduce: "Vale, cuando giro el volante a la izquierda, el coche va a la izquierda". Esto funciona de maravra si los vídeos son perfectos. Pero en el mundo real, los datos son desordenados. A veces el coche resbala sobre el hielo (ruido aleatorio) y otras veces el robot no ha visto suficientes vídeos para saber qué hacer en una situación nueva (falta de conocimiento).

La gran pregunta que se hacen los científicos es: ¿Cómo construimos un controlador que no solo adivine la trayectoria promedio, sino que también comprenda qué tan incierto es? Si el robot no está seguro, debe ser cuidadoso. Si está seguro, puede ser audaz. Este artículo profundiza en ese problema exacto, intentando dotar a las máquinas de un mejor sentido del "instinto" basado en los datos que han visto.

El artículo: Dándole a los robots un "instinto"

Los autores de este artículo, András Sasfi y su equipo, han inventado una nueva forma de describir cómo las máquinas aprenden de datos desordenados. Llaman a su invento "Comportamientos Gaussianos".

Para entender qué es esto, imagine que intenta predecir la trayectoria de una pelota que rebota.

La parte determinista: Usted conoce las reglas básicas de la física. Si lanza la pelota con un determinado ángulo, debería seguir una curva específica y suave. En el lenguaje del artículo, esto es el "comportamiento nominal". Es la trayectoria perfecta y limpia que la pelota quiere seguir.
La parte del ruido: Pero en la realidad, el viento sopla, el suelo es irregular y la pelota puede tambalearse. Esto es el "ruido gaussiano". Es el meneo aleatorio que empuja a la pelota fuera de su trayectoria perfecta.

El artículo propone un marco que combina estos dos elementos. Trata al sistema no como una máquina rígida, sino como una "nube" de posibilidades. El centro de la nube es la trayectoria perfecta, y el tamaño de la nube representa cuánto podría tambalearse la pelota. ¿La parte ingeniosa? Demuestran cómo calcular el tamaño y la forma de esta nube directamente a partir de los datos, sin necesidad de conocer la física exacta del viento o del suelo.

El truco de magia: Prediciendo el futuro

Los autores demuestran que, si tiene un conjunto de datos pasados (como un vídeo de la pelota rebotando), puede usar un truco matemático sencillo para predecir dónde estará la pelota después.

La Media: Esta es la "mejor suposición". Es el centro de la nube. El artículo demuestra que esta mejor suposición es exactamente igual a los métodos que los científicos han estado utilizando durante años (llamados "Control Predictivo de Subespacio").
La Incertidumbre: Esta es la nueva magia. El método también calcula qué tan ancha es la nube. Si los datos que tiene son antiguos o escasos, la nube se vuelve enorme, diciéndole al robot: "¡No estoy seguro de esto!". Si los datos son frescos y abundantes, la nube se encoge y el robot puede tener más confianza.

Dos formas de conducir: El conductor cauteloso frente al optimista

El artículo explora dos formas diferentes en las que un robot puede usar esta "nube" de incertidumbre para tomar decisiones.

1. El conductor cauteloso (Control Robusto)
Imagine que conduce en un bosque con niebla. Sabe que la carretera está en algún lugar frente a usted, pero no puede ver los bordes. Un conductor cauteloso se mantiene en el centro del carril, evitando los árboles por si acaso están más cerca de lo que parecen.
El método "Robusto" del artículo hace exactamente esto. Observa el peor escenario posible dentro de la nube de incertidumbre. Se pregunta: "¿Cuál es la peor trayectoria posible que la pelota podría tomar, y cómo me aseguro de no chocar incluso si eso sucede?".

El resultado: En sus pruebas en un sistema de masa-resorte (una forma sofisticada de decir un juguete saltarín), este método cauteloso fue mucho mejor que los demás. Mientras que otros métodos intentaban ser demasiado audaces y terminaban sobrepasando el objetivo, el método cauteloso se mantuvo cerca del plan, incluso cuando los datos eran desordenados. Básicamente dijo: "No confío lo suficiente en los datos para arriesgarme, así que tomaré la ruta segura".

2. El conductor optimista (La conexión con "DeePC")
Ahora, imagine a un conductor que piensa: "¡La niebla es solo una ilusión! La carretera probablemente está justo aquí, así que conduciré rápido".
El artículo muestra que un método popular existente llamado DeePC (Control Predictivo Basado en Datos) actúa como este conductor optimista. Supone el mejor escenario posible dentro de la nube de incertidumbre. Los autores descubrieron que esto explica por qué el DeePC funciona de la manera en que lo hace: esencialmente, está apostando a la suerte.

El inconveniente: El artículo sugiere que, aunque este optimismo puede funcionar, es arriesgado. Si la incertidumbre es alta (la niebla es espesa), apostar por el mejor caso puede provocar grandes errores. Los autores muestran que, al ajustar un "mando de control" (un parámetro llamado $\lambda$ ), se puede pasar de ser súper optimista a ser más cauteloso, convirtiendo efectivamente al DeePC en un conductor más seguro.

El arma secreta: Escuchar los errores

El artículo también introduce un superpoder llamado "Retroalimentación Afín a la Perturbación".
Imagine que está conduciendo y siente que el coche se desvía ligeramente hacia la izquierda. Un conductor normal podría limitarse a seguir conduciendo recto, esperando que se corrija solo. Pero un conductor inteligente gira inmediatamente el volante ligeramente hacia la derecha para corregir la desviación mientras ocurre.
Los autores demuestran que, al permitir que el robot ajuste su dirección basándose en los errores que ve en tiempo real (la diferencia entre donde pensaba que estaría la pelota y donde realmente estaba), puede reducir la nube de incertidumbre.

La prueba: Probaron esto en un sistema de calefacción de edificios (HVAC). Simularon un día frío donde la temperatura exterior era impredecible.
- El "Método Antiguo" (lazo abierto) tenía que mantener la calefacción alta solo para estar seguro, porque no podía reaccionar a los errores.
- El "Nuevo Método" (retroalimentación) reaccionó instantáneamente a los cambios de temperatura. Debido a que podía corregir sus errores sobre la marcha, no necesitaba ser tan cauteloso.
- La victoria: Este nuevo método ahorró un 77% del coste energético en comparación con el método antiguo, manteniendo la temperatura de la habitación segura.

Lo que no hicieron (Y por qué es importante)

Es importante saber lo que este artículo no afirma.

No dice que el robot sea ahora perfecto. Las simulaciones muestran que los métodos funcionan bien, pero siguen basándose en estimaciones.
No afirma haber resuelto todo tipo de incertidumbre. El artículo se centra en el ruido "Gaussiano" (curva de campana). Si el ruido es extraño e impredecible de una forma que no sigue la campana de Gauss, este método específico podría necesitar ajustes.
Argumenta explícitamente contra los métodos que ignoran la incertidumbre. El artículo muestra que, si se pretende que los datos son perfectos (ignorando la "nube"), se acaban obteniendo controladores que son o demasiado arriesgados (DeePC sin ajuste) o demasiado conservadores (métodos estándar).

La conclusión

Este artículo es como darle a un robot unas gafas que le permiten ver no solo la carretera, sino también la niebla. Proporciona una herramienta matemática para convertir datos brutos y desordenados en un "mapa de confianza".

Si el mapa dice "Niebla", el robot conduce lento y con cuidado (Control Robusto).
Si el mapa dice "Despejado", el robot conduce de manera eficiente.
Y si el robot tiene un "volante" que reacciona a los errores en tiempo real (Retroalimentación), puede conducir aún más eficientemente, ahorrando energía y dinero.

Los autores demuestran, mediante simulaciones, que este enfoque no es solo una idea teórica, sino una herramienta práctica que puede hacer que las máquinas sean más seguras, inteligentes y eficientes en el mundo real. No han resuelto el problema de la incertidumbre para siempre, pero han entregado a los ingenieros un mapa mucho mejor para navegar en ella.

Resumen Técnico: Comportamientos Gaussianos y Control Estocástico Basado en Datos

Planteamiento del Problema
El control predictivo basado en datos (DDPC, por sus siglas en inglés) ha surgido como una alternativa poderosa al control predictivo basado en modelos (MPC) mediante la síntesis de políticas directamente de mediciones de datos, aprovechando la teoría de sistemas de comportamiento. Sin embargo, los métodos de DDPC existentes se basan fundamentalmente en comportamientos lineales invariantes en el tiempo (LTI) deterministas. Si bien estos métodos suelen funcionar bien con regularización, carecen de un marco estocástico intrínseco. En consecuencia, la incertidumbre se gestiona típicamente a posteriori mediante la robustificación o ignorando la varianza, lo que conduce a diseños neutrales al riesgo que pueden ser excesivamente conservadores o no tener en cuenta las incertidumbres aleatorias (inherentes) y epistémicas (limitadas por los datos). Además, las extensiones estocásticas existentes de la teoría del comportamiento están limitadas a sistemas estáticos, son computacionalmente intratables (por ejemplo, expansiones de caos polinómico) o dependen de modelos paramétricos que no explotan plenamente la naturaleza no paramétrica de la teoría del comportamiento. Existe la necesidad de un marco de comportamiento estocástico que sea tanto matemáticamente riguroso como computacionalmente tratable para el diseño de control basado en datos.

Metodología
Los autores proponen un marco denominado Comportamientos Gaussianos, que aumenta un comportamiento LTI determinista con un componente de ruido gaussiano.

Definición de Comportamientos Gaussianos: Un comportamiento gaussiano se define como un par $(B_L, \Sigma_e)$ , donde $B_L$ es un comportamiento LTI determinista de horizonte finito (un subespacio de trayectorias válidas) y $\Sigma_e$ es una matriz de covarianza semidefinida positiva que representa la estocasticidad exógena. Cualquier trayectoria $w$ se descompone en un componente nominal $\bar{w} \in B_L$ y un término de ruido $e \sim \mathcal{N}(0, \Sigma_e)$ . Se demuestra que este marco es una subclase tratable de comportamientos estocásticos abstractos y abarca los modelos clásicos de espacio de estados estocásticos paramétricos.
Identificación y Predicción:
- El marco deriva un método de predicción condicionando el comportamiento gaussiano sobre la parte conocida de una trayectoria (condiciones iniciales y entradas futuras).
- La distribución predictiva se identifica directamente a partir de la covarianza muestral de los datos de la trayectoria. La media de esta distribución corresponde al predictor de subespacio establecido, mientras que la covarianza captura la incertidumbre de la predicción.
- Crucialmente, los autores derivan un límite de confianza de muestra finita que tiene en cuenta tanto la incertidumbre aleatoria (ruido de proceso/medición) como la epistémica (derivada de datos finitos). Este límite define un elipsoide de confianza para las salidas predichas.
- El método se extiende para incorporar pronósticos inciertos de variables externas (por ejemplo, el clima), tratando los errores de pronóstico como parte del ruido exógeno, lo que permite la identificación de la incertidumbre no estructurada directamente de los datos.
Formulaciones de Control:
- Control con Restricciones de Probabilidad (Incertidumbre Aleatoria): Los autores formulan un problema de control predictivo estocástico que minimiza el costo esperado sujeto a restricciones de probabilidad individuales en las salidas y entradas.
  - Feedforward (Prealimentación): Restringir las entradas para que sean deterministas recupera el Control Predictivo de Subespacio (SPC) estándar cuando se ignora el riesgo, o una variante consciente del riesgo cuando se aplican las restricciones.
  - Retroalimentación Afín a la Perturbación: El marco optimiza sobre políticas de retroalimentación afines a la perturbación ( $u_f = K e_{pred} + \bar{u}_f$ ). Esto permite al controlador moldear activamente la covarianza de la salida, reduciendo el conservadurismo en comparación con las estrategias de prealimentación de lazo abierto. El problema resultante se reformula como un problema de optimización convexa tratable.
- Control Robusto (Incertidumbre Aleatoria + Epistémica): Para abordar la incertidumbre de muestra finita, los autores proponen una formulación robusta que minimiza el costo del peor caso sobre el elipsoide de confianza derivado del límite de muestra finita.
  - Utilizando la dualidad lagrangiana, el problema min-max no convexo es acotado superiormente por un problema convexo tratable. Esto proporciona un controlador conservador que se protege contra la realización del peor caso dentro de la región de confianza de los datos.
  - Por el contrario, se muestra que una formulación "optimista" (min-min) recupera el algoritmo de Control Predictivo Basado en Datos (DeePC) regularizado, proporcionando una interpretación estocástica de la regularización de DeePC como una postura optimista hacia la incertidumbre de la predicción.

Contribuciones Clave

Marco de Comportamientos Gaussianos: Introducción de un marco de modelado estocástico pragmático y parsimonioso dentro de la teoría de sistemas de comportamiento que unifica los comportamentos deterministas con el ruido gaussiano, abarcando modelos estocásticos paramétricos.
Predicción Basada en Datos con Límites de Incertidumbre: Derivación de un método de predicción lineal identificado directamente a partir de la covarianza muestral, acompañado de un límite de confianza de muestra finita que cuantifica explícitamente tanto la incertidumbre aleatoria como la epistémica.
Control Estocástico con Retroalimentación: Desarrollo de formulaciones de control con restricciones de probabilidad que optimizan sobre políticas de retroalimentación afines a la perturbación, demostrando que estas políticas reducen el conservadurismo al gestionar activamente la incertidumbre de la predicción.
Interpretaciones Robustas y Optimistas: Derivación de una formulación de control robusto con un límite convexo tratable para el costo del peor caso, y la demostración de que su contraparte optimista recupera el DeePC regularizado, vinculando los métodos existentes basados en datos con interpretaciones estocásticas.

Resultados
El artículo valida los métodos propuestos mediante dos estudios de caso numéricos:

Sistema de Masa-Resorte-Amortiguador Doble: En un escenario con datos fuera de línea excitados de manera desigual (lo que conduce a una alta incertidumbre epistémica en ciertos canales de entrada), el método robusto propuesto (GB-Robust) superó a SPC, DeePC y un método paramétrico neutral al riesgo (MSM-SMPC). GB-Robust actuó con cautela, evitando los canales de entrada de alta incertidumbre y logrando costos de control realizados con menor varianza en comparación con sus competidores, los cuales se desviaron significativamente de la media predicha.
Control de Edificios HVAC: El estudio demostró la integración de pronósticos climáticos inciertos en la distribución predictiva. Al comparar las políticas de prealimentación frente a las de retroalimentación afín a la perturbación, la política de retroalimentación permitió al controlador planificar trayectorias más cercanas a las restricciones de confort al reaccionar a los errores realizados. Esto resultó en una reducción del 77% en el costo de control de lazo cerrado (esfuerzo de calefacción/refrigeración) en comparación con la formulación de prealimentación, manteniendo al mismo tiempo las restricciones de seguridad.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona una extensión necesaria de la teoría de sistemas de comportamiento al entorno estocástico, permitiendo el diseño de formulaciones de control basadas en datos simples y pragmáticas. El marco cierra la brecha entre la elegancia teórica de la teoría del comportamiento y la necesidad práctica de manejar la incertidumbre en el diseño de control. Al recuperar SPC y DeePC como casos especiales (solo media y optimista, respectivamente), el marco unifica los enfoques existentes bajo un único paraguas estocástico. Los métodos propuestos, tanto robustos como basados en retroalimentación, ofrecen una forma sistemática de manejar ambos tipos de incertidumbre (aleatoria y epistémica) sin depender de la identificación de modelos paramétricos explícitos, reduciendo así el conservadurismo inherente a los enfoques tradicionales basados en datos mientras se mantiene la tratabilidad computacional.