⚡ electrical engineering

Sinkhorn Ambiguity Sets for Distributionally Robust Control: Convexity, Weak Compactness, and Tractability

Cet article établit la convexité et la compacité faible des ensembles d'ambiguïté de Sinkhorn pour formuler un cadre d'optimisation convexe traitable pour la commande linéaire quadratique robuste en distribution, offrant une alternative efficace en termes de données aux méthodes basées sur Wasserstein qui combinent efficacement les données observées avec les connaissances a priori.

Auteurs originaux : Riccardo Cescon, Andrea Martin, Giancarlo Ferrari-Trecate

Publié 2026-05-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Riccardo Cescon, Andrea Martin, Giancarlo Ferrari-Trecate

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes le capitaine d'un grand avion, un Boeing B-747, tentant de voler du point A au point B. Vous souhaitez y parvenir efficacement, mais il y a un problème : le vent est imprévisible.

Dans les anciens jours de l'aviation (commande classique), les ingénieurs supposaient connaître parfaitement le vent. Ils diraient : « Le vent sera exactement de 10 mph venant du nord », et planifieraient le vol en conséquence. Mais en réalité, le vent est désordonné. Parfois il souffle à 5 mph, parfois à 20, et parfois il forme des rafales dans des directions étranges. Si vous planifiez pour le vent « moyen », une rafale soudaine et forte pourrait pousser votre avion hors de sa trajectoire, violant les règles de sécurité.

D'un autre côté, si vous essayez d'être super prudent (commande robuste), vous supposez que le vent sera le scénario absolument le pire imaginable — comme un ouragan frappant l'avion sous tous les angles à la fois. Vous voleriez très lentement et prendriez un détour énorme pour être en sécurité. Bien que vous ne vous écrasiez jamais, vous gaspilleriez beaucoup de carburant et de temps. C'est trop conservateur.

Le Juste Milieu : Commande Robuste Distributionnelle (CRD)
Cet article propose une manière plus intelligente de voler. Au lieu de deviner le vent exact ou de craindre le pire absolu, les ingénieurs disent : « Nous avons des données provenant de vols passés (échantillons), mais nous savons qu'elles ne sont pas parfaites. Supposons que le vent réel se trouve quelque part dans un « nuage » de possibilités autour de nos données. »

Ce « nuage » est appelé un Ensemble d'Ambiguïté. L'objectif est de concevoir une trajectoire de vol qui fonctionne bien même si le vent s'avère être la version la pire à l'intérieur de ce nuage spécifique.

Le Problème avec l'Ancien « Nuage » (Distance de Wasserstein)
Pendant un temps, la meilleure façon de définir ce nuage était d'utiliser un outil mathématique appelé la distance de Wasserstein. Cependant, cet outil a une bizarrerie étrange. Si vos données proviennent de quelques échantillons de vent spécifiques (comme 5 rafales enregistrées), le vent « pire cas » que l'ordinateur calcule est également composé de quelques points spécifiques. C'est comme dire que le vent le pire possible est seulement une rafale venant du nord ou seulement une rafale venant du sud, en ignorant le fait que le vent réel est un flux lisse et continu qui peut souffler depuis n'importe quel point intermédiaire. Cela force l'avion à être excessivement prudent car les mathématiques considèrent le vent comme « piquant » et imprévisible d'une manière que la nature n'est pas.

La Nouvelle Solution : Le « Nuage » Sinkhorn
Les auteurs de cet article introduisent un nouvel outil appelé la discrépance de Sinkhorn. Considérez cela comme une nouvelle façon de dessiner le « nuage » d'incertitude.

La Métaphore : Imaginez que vos données sont quelques gouttes d'encre sur une feuille de papier.
- La méthode Wasserstein dit que le scénario pire cas est juste quelques autres gouttes d'encre. Elle ne remplit pas l'espace entre elles.
- La méthode Sinkhorn dit : « Supposons que l'encre se répande de manière lisse comme de l'eau. » Elle permet au vent pire cas d'être un flux lisse et continu qui couvre tout le ciel, et non pas seulement quelques points.

C'est un avantage énorme car le bruit du monde réel (comme la turbulence du vent) est généralement lisse et continu, et non composé de points isolés. En utilisant Sinkhorn, l'ordinateur peut dire : « D'accord, le vent pourrait être une brise lisse venant du nord-est », plutôt que simplement « Nord » ou « Est ». Cela conduit à un plan de vol plus sûr que le plan « moyen » mais moins gaspilleur que le plan « pire cas ».

Qu'ont-ils Démontré ?
L'article fait trois choses principales :

Sécurité Mathématique : Ils ont prouvé que ces nouveaux « nuages Sinkhorn » sont mathématiquement bien comportés. Ils sont « convexes » (en forme de bol lisse, pas de roche dentelée) et « compacts » (ils ne s'étendent pas à l'infini). C'est important car cela signifie que les problèmes mathématiques utilisés pour concevoir la trajectoire de vol peuvent réellement être résolus par des ordinateurs sans rester bloqués.
Résolution de l'Énigme : Ils ont montré comment transformer le problème complexe de « trouver le vent le pire dans le nuage » en un problème mathématique standard et soluble (programmation convexe). Cela signifie que les ingénieurs peuvent réellement utiliser cette méthode sur de vrais ordinateurs.
Le Test : Ils ont testé cela sur une simulation d'un Boeing B-747 volant à travers une turbulence de vent réaliste.
- Le plan de vol « moyen » s'est écrasé (a violé les contraintes de sécurité).
- Le plan « super prudent » était trop conservateur.
- Le nouveau plan Sinkhorn a maintenu l'avion en sécurité et a utilisé moins de carburant que le plan super prudent. Il a trouvé le point idéal.

En Résumé
Cet article donne aux ingénieurs un nouvel outil, meilleur, pour gérer l'incertitude. En utilisant la discrépance de Sinkhorn, ils peuvent créer un « nuage » d'événements futurs possibles qui ressemble davantage au monde réel (lisse et continu) plutôt qu'à une collection dentelée de points de données. Cela leur permet de concevoir des systèmes de commande (comme des pilotes automatiques) qui sont assez sûrs pour prévenir les accidents mais assez efficaces pour économiser de l'énergie, le tout tout en étant mathématiquement garantis de fonctionner.

Résumé Technique : Ensembles d'Ambiguïté de Sinkhorn pour la Commande Robuste Distributionnellement

Énoncé du Problème

La commande stochastique classique repose sur l'hypothèse que la véritable distribution de probabilité de l'incertitude est connue, une hypothèse souvent violée en pratique où seuls des échantillons finis sont disponibles. Bien que la commande robuste traite l'incertitude via une analyse du pire cas, elle conduit souvent à des solutions excessivement conservatrices. L'optimisation robuste distributionnellement (DRO) offre un juste milieu en optimisant contre la distribution du pire cas au sein d'un « ensemble d'ambiguïté » centré sur une distribution nominale.

Cependant, les approches DRO existantes basées sur la distance de Wasserstein (une métrique standard de Transport Optimal) rencontrent des limitations significatives. Lorsque la distribution nominale est discrète (par exemple, une distribution empirique issue de données), la distribution du pire cas résultante est également discrète. Cela échoue à capturer la nature continue de nombreux processus de bruit physiques. De plus, l'obtention de garanties à haute probabilité avec des ensembles de Wasserstein nécessite souvent de grands rayons lorsque les données sont rares, conduisant à un conservatisme excessif.

Cet article adresse ces limitations en proposant un cadre de Commande Robuste Distributionnellement (DRC) utilisant des ensembles d'ambiguïté de Sinkhorn. Ces ensembles sont définis via la divergence de Sinkhorn, une variante régularisée par l'entropie du Transport Optimal. Le défi central consiste à établir les propriétés théoriques de ces ensembles et à dériver une reformulation traitable pour les problèmes de commande linéaire quadratique avec des contraintes de sécurité probabilistes.

Méthodologie

1. Fondements Théoriques des Ensembles d'Ambiguïté de Sinkhorn

Les auteurs caractérisent d'abord les propriétés géométriques et topologiques de l'ensemble d'ambiguïté de Sinkhorn, noté $\mathcal{B}_{\rho, \epsilon}(P)$ . Cet ensemble contient toutes les distributions de probabilité $Q$ telles que la divergence de Sinkhorn $W_c^\epsilon(Q, P)$ soit inférieure ou égale à un rayon $\rho$ .

Convexité : L'article démontre que l'ensemble d'ambiguïté de Sinkhorn est convexe. C'est une propriété critique pour assurer la traitabilité des problèmes d'optimisation définis sur ces ensembles.
Compacité Faible : Sous des hypothèses standards sur le coût de transport (spécifiquement, qu'il croît suffisamment rapidement), les auteurs établissent que l'ensemble d'ambiguïté de Sinkhorn est faiblement compact. Cette propriété est essentielle pour garantir l'existence de distributions du pire cas et pour appliquer les théorèmes minimax.
Comparaison avec Wasserstein : Contrairement aux ensembles de Wasserstein, où la distribution du pire cas est discrète si le centre est discret, la divergence de Sinkhorn permet à la distribution du pire cas de partager le support d'une mesure de référence $\nu$ . En choisissant une mesure de référence continue (par exemple, une Gaussienne), la distribution du pire cas reste continue, offrant une modélisation plus réaliste de l'incertitude.

2. Reformulation des Contraintes DRO CVaR

Le problème de commande implique des contraintes de Valeur à Risque Conditionnelle (CVaR) pour assurer la sécurité avec un niveau de confiance spécifié. Les auteurs exploitent la convexité et la compacité faible de l'ensemble de Sinkhorn pour intervertir le supremum (sur les distributions) et l'infimum (sur les seuils de risque) dans la définition de la CVaR du pire cas.

Ils dérivent une formulation duale forte pour le coût espéré du pire cas et les contraintes CVaR.
Lorsque la fonction de perte est affine par morceaux (courante dans les contraintes polytopiques) et que la mesure de référence est Gaussienne, l'optimisation de dimension infinie sur les distributions est réduite à un problème d'optimisation convexe de dimension finie.
Cette reformulation retrouve les résultats connus de Wasserstein à la limite lorsque le paramètre de régularisation $\epsilon \to 0$ .

3. Synthèse de Commande Traitable via la Synthèse de Niveau Système (SLS)

L'article applique ces résultats à un problème de commande linéaire quadratique à horizon fini avec des contraintes de sécurité probabilistes.

Restriction de la Politique : Les auteurs restreignent l'espace de recherche aux politiques de retour d'état affines.
Paramétrisation SLS : Au lieu d'optimiser directement les gains du contrôleur, ils emploient le cadre de la Synthèse de Niveau Système (SLS). Cela déplace les variables de conception vers les cartes de réponse du système en boucle fermée ( $\Phi, \phi$ ), qui mappent linéairement les perturbations vers les états et les entrées.
Programme Convexe : En combinant la paramétrisation SLS avec la reformulation duale des contraintes DRO de Sinkhorn, les auteurs démontrent que l'ensemble du problème de synthèse de commande peut être formulé comme un programme d'optimisation convexe (spécifiquement, un programme conique lorsque $\epsilon > 0$ ).
Conditions de Faisabilité : L'article fournit des conditions explicites sur le rayon de l'ensemble d'ambiguïté $\rho$ requises pour que le problème soit faisable.

Contributions Clés

Propriétés Topologiques : L'article établit la convexité et la compacité faible des ensembles d'ambiguïté de Sinkhorn. Ceux-ci sont présentés comme des résultats d'intérêt indépendant pour la littérature sur le transport optimal, servant de fondation pour résoudre des problèmes de commande contrainte robuste distributionnellement.
Reformulation Traitable : Les auteurs dérivent une reformulation convexe de dimension finie pour le problème de commande Linéaire Quadratique Robuste Distributionnellement (DR-LQ) de Sinkhorn. Cette formulation traite simultanément la fonction objectif et les contraintes de sécurité probabilistes (CVaR).
Caractérisation du Support Continu : Le travail met en évidence la capacité des ensembles de Sinkhorn à maintenir un support continu pour les distributions du pire cas lorsqu'une mesure de référence continue est utilisée, contrastant cela avec la limitation du support discret des DRO basées sur Wasserstein.
Validation Numérique : La méthode proposée est validée sur un problème de planification de trajectoire pour un avion Boeing B-747 soumis à des turbulences de vent modélisées par un filtre Dryden.

Résultats et Constatations Expérimentales

Les expériences numériques comparent trois contrôleurs :

$\pi_{emp}$ : Un contrôleur d'équivalence de certitude utilisant la distribution empirique (ignorant l'incertitude).
$\pi_{W}$ : Un contrôleur DRO basé sur Wasserstein.
$\pi_{S}$ : Le contrôleur DRO proposé basé sur Sinkhorn.

Observations Clés :

Performance vs Conservatisme : Le contrôleur empirique ( $\pi_{emp}$ ) a présenté des coûts de commande élevés et des violations de contraintes significatives sur des données de test non vues. Les deux contrôleurs robustes ( $\pi_{W}$ et $\pi_{S}$ ) ont nettement surpassé la base empirique.
Réduction du Conservatisme : Le contrôleur Sinkhorn ( $\pi_{S}$ ) a démontré un conservatisme réduit par rapport au contrôleur Wasserstein ( $\pi_{W}$ ). Bien que $\pi_{S}$ ait entraîné un taux de violation de contraintes légèrement plus élevé que $\pi_{W}$ pour des rayons très petits, il a constamment satisfait les seuils de sécurité requis tout en réalisant des coûts de commande substantiellement plus faibles.
Comportement de la Trajectoire : Les visualisations des états terminaux ont montré que les trajectoires de $\pi_{S}$ sont restées plus proches de la frontière de la région faisable par rapport à $\pi_{W}$ , indiquant que l'ensemble d'ambiguïté de Sinkhorn permet une utilisation moins conservatrice de la marge de sécurité sans compromettre les garanties de sécurité.
Complexité Computations : Le problème est résolu en utilisant une recherche à section dorée sur la variable duale $\lambda$ , chaque itération résolvant un problème d'optimisation conique. L'approche est computationnellement faisable pour les dimensions de système testées.

Importance et Revendications

L'article revendique que l'approche proposée offre une manière principielle d'équilibrer robustesse et performance dans la conception de commande lorsque les données sont rares. En utilisant la divergence de Sinkhorn, la méthode :

Évite les Artéfacts Discrets : Elle empêche la distribution du pire cas de s'effondrer en un ensemble discret de points, capturant ainsi mieux la nature continue du bruit physique.
Intègre les Connaissances A Priori : Elle permet l'intégration fluide des connaissances a priori (via la mesure de référence $\nu$ ) avec les données empiriques.
Permet l'Optimisation Convexe : Elle transforme un problème robuste distributionnellement potentiellement intraitable de dimension infinie en un programme convexe traitable, même en présence de contraintes de sécurité.

Les auteurs positionnent ce travail comme une étape vers une commande robuste distributionnellement plus efficace, en particulier dans les applications critiques pour la sécurité où le compromis entre garanties de sécurité et performance est crucial. Ils notent que bien que le travail actuel se concentre sur les systèmes linéaires et les politiques affines, les propriétés théoriques des ensembles de Sinkhorn établies ici sont fondamentales pour les extensions futures vers des systèmes non linéaires et des méthodes de solution basées sur le gradient.