⚡ electrical engineering

Data-Driven Covariance Steering with Output Feedback

यह शोध पत्र एक डेटा-संचालित ढांचे का प्रस्ताव करता है जिसका उपयोग अज्ञात मॉडल वाले स्टोकेस्टिक लीनियर टाइम-इनवेरिएंट सिस्टम के आउटपुट-फीडबैक कोवेरियेंस स्टीयरिंग के लिए किया जाता है, जिसमें एक नॉन-मिनिमल स्टेट रिप्रजेंटेशन और एक कॉनवेक्स रिलैक्सेशन का उपयोग करके इस समस्या को एक सेमीडेफिनेट प्रोग्राम के रूप में तैयार किया गया है जिसे अप्रत्यक्ष और प्रत्यक्ष दोनों दृष्टिकोणों के माध्यम से हल किया जा सकता है।

मूल लेखक: Dimitrios Moustroufis, Panagiotis Tsiotras

प्रकाशित 2026-04-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dimitrios Moustroufis, Panagiotis Tsiotras

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही जटिल, स्व-चालित (self-driving) कार को एक धुंध भरे शहर में चलाने की कोशिश कर रहे हैं। आपके पास शहर का कोई नक्शा नहीं है (सिस्टम मॉडल) और आपका GPS थोड़ा गड़बड़ (मेजरमेंट नॉइज़) है। आपका लक्ष्य केवल एक सड़क के कोने तक पहुँचना नहीं है; आपको एक विशिष्ट "पार्किंग स्पॉट" पर पहुँचना है जिसके चारों ओर कारों का एक बहुत ही विशिष्ट "फैलाव" (spread) हो। शायद आप चाहते हैं कि सभी कारें एक जगह पर कसकर पैक हों, या शायद आप उन्हें एक बड़े घेरे में फैलाना चाहते हैं।

यह शोध पत्र आपको यह सिखाने के बारे में है कि वह स्व-चालित कार ठीक यही कैसे करे, और वह भी केवल पिछले ड्राइविंग लॉग्स का उपयोग करके, बिना कार या शहर के ब्लूप्रिंट देखे।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, कुछ रोज़मर्रा के उदाहरणों का उपयोग करते हुए:

1. समस्या: गड़बड़ GPS के साथ अंधेरे में गाड़ी चलाना

आमतौर पर, किसी मशीन को नियंत्रित करने के लिए, इंजीनियरों को यह जानने की आवश्यकता होती है कि वह वास्तव में कैसे काम करती है (गणितीय समीकरण)। लेकिन वास्तविक दुनिया में, हमारे पास अक्सर वे समीकरण नहीं होते हैं। हमारे पास केवल डेटा होता है: "जब मैंने स्टीयरिंग व्हील बाईं ओर घुमाया, तो कार दाईं ओर गई।"

इसके अलावा, अधिकांश पिछले तरीकों ने यह माना था कि आप कार की सटीक गति और स्थिति को पूरी तरह से देख सकते हैं। वास्तविकता में, आपके सेंसर शोर (noisy) वाले होते हैं। हो सकता है कि आप सोचें कि आप स्थिति X पर हैं, लेकिन वास्तव में आप स्थिति Y पर हैं। यह पेपर इस समस्या के सबसे कठिन संस्करण को हल करता है: हमें कार के भौतिक विज्ञान (physics) का पता नहीं है, और हमारे सेंसर शोर वाले हैं।

2. तरकीब: "टाइम-ट्रैवलिंग" डैशबोर्ड

चूंकि हम कार की आंतरिक स्थिति को पूरी तरह से नहीं देख सकते, इसलिए लेखकों ने एक चतुर समाधान निकाला। कार की वर्तमान स्थिति का अनुमान लगाने के बजाय, उन्होंने एक ऐसा "डैशबोर्ड" बनाया जो अतीत को देखता है।

इसे इस तरह सोचें: यदि आप जानना चाहते हैं कि एक कार कैसे व्यवहार कर रही है, तो आप केवल यह नहीं देखते कि वह अभी कहाँ है। आप देखते हैं कि वह 1 सेकंड पहले कहाँ थी, 2 सेकंड पहले कहाँ थी, और उन सेकंडों में ड्राइवर ने क्या किया था।

उपमा: कल्पना कीजिए कि आप अपने किसी दोस्त के मूड का अनुमान लगाने की कोशिश कर रहे हैं। आप केवल यह नहीं पूछते कि "आप कैसे हैं?" (जो कि एक झूठ हो सकता है)। आप उनके पिछले 5 टेक्स्ट मैसेज, उनकी आवाज़ का लहजा और उन्होंने दोपहर के भोजन में क्या खाया था, यह देखते हैं।
पेपर का तरीका: उन्होंने एक "नॉन-मिनिमल स्टेट" (non-minimal state) प्रतिनिधित्व बनाया। यह बस एक फैंसी तरीका है यह कहने का कि उन्होंने सभी पिछले इनपुट्स (स्टीयरिंग व्हील के मोड़) और आउटपुट्स (GPS रीडिंग) को एक विशाल सूची में जमा कर दिया। यह सूची एक "सुपर-स्टेट" के रूप में कार्य करती है जिसमें भविष्य की भविष्यवाणी करने के लिए आवश्यक सभी जानकारी होती है, भले ही हमें कार के इंजन के स्पेसिफिकेशन का पता न हो।

3. नई चुनौती: "इको" (गूँज) प्रभाव

यहाँ पेचीदा हिस्सा है। जब आप भविष्य की भविष्यवाणी करने के लिए पिछले डेटा का उपयोग करते हैं, तो "शोर" (GPS की गड़बड़ी) गायब नहीं होता; यह गूँजता है।

उपमा: कल्पना कीजिए कि आप एक घाटी (canyon) में चिल्ला रहे हैं। आवाज़ वापस टकराकर आती है। यदि आप फिर से चिल्लाते हैं, तो नई आवाज़ पुराने चिल्लाने की गूँज के साथ मिल जाती है।
पेपर का तरीका: क्योंकि "सुपर-स्टेट" पिछले डेटा पर निर्भर करता है, इसलिए 5 सेकंड पहले का शोर अभी भी डेटा को प्रभावित कर रहा है। यह एक "टेम्पोरली कोरिलेटेड" (temporally correlated) उलझन पैदा करता है। लेखकों को यह ट्रैक करने का एक नया तरीका विकसित करना पड़ा कि यह "गूँजता हुआ शोर" समय के साथ कैसे फैलता है, ताकि वे गलती से कार को दीवार से न टकरा दें क्योंकि उन्होंने गूँज को अनदेखा कर दिया था।

4. सीखने के दो तरीके: "शिक्षक" बनाम "जासूस"

चूंकि उनके पास ब्लूप्रिंट नहीं हैं, इसलिए वे डेटा से सीखते हैं। वे दो अलग-अलग रणनीतियों का उपयोग करते हैं, जैसे एक छात्र गणित सीख रहा हो:

रणनीति A: अप्रत्यक्ष दृष्टिकोण (द टीचर)
- कैसे काम करता है: पहले, कंप्यूटर डेटा को देखता है और कार का एक नकली मॉडल बनाने की कोशिश करता है (जैसे एक छात्र पाठ्यपुस्तक याद करता है)। फिर, वह उस नकली मॉडल का उपयोग करके ड्राइव की योजना बनाता है।
- कमी: यदि "पाठ्यपुस्तक" गलत है, तो ड्राइव भी गलत होगी। यह पेपर एक विशेष गणितीय ट्रिक (इंस्ट्रुमेंटल वेरिएबल्स) का उपयोग करता है ताकि यह सुनिश्चित किया जा सके कि "पाठ्यपुस्तक" शोर वाले डेटा के साथ भी यथासंभव सटीक हो।
रणनीति B: प्रत्यक्ष दृष्टिकोण (द डिटेक्टिव)
- कैसे काम करता है: कंप्यूटर मॉडल बनाने की प्रक्रिया को पूरी तरह से छोड़ देता है। इसके बजाय, वह डेटा को देखता है और पूछता है, "यदि मैंने अतीत में यह किया था, तो क्या हुआ? चलिए इसे ठीक करने के लिए इसके विपरीत करते हैं।"
- कमी: यह कठिन है क्योंकि इसे यह अनुमान लगाना होगा कि अतीत में "शोर" (GPS की गड़बड़ी) क्या कर रहा था। पेपर एक नया तरीका प्रस्तुत करता है जिससे वह एक जासूस की तरह काम कर सके, यह पता लगा सके कि शोर वास्तव में क्या कर रहा था ताकि उसे घटाया जा सके।

5. लक्ष्य: "बादल" को दिशा देना

अंतिम लक्ष्य कोवेरिएंस स्टीयरिंग (Covariance Steering) है।

उपमा: कल्पना कीजिए कि धुएं का एक बादल है। आप उस बादल को अपने हाथ की एक छोटी सी फुफकार से कमरे के दूसरी ओर एक विशिष्ट आकार (जैसे दिल का आकार) में बदलना चाहते हैं।
- मीन स्टीयरिंग (Mean Steering): बादल के केंद्र को सही स्थान पर पहुँचाना।
- कोवेरिएंस स्टीयरिंग (Covariance Steering): यह सुनिश्चित करना कि बादल बहुत अधिक फैला हुआ या बहुत अधिक दबा हुआ न हो। आप चाहते हैं कि वह एक आदर्श दिल के आकार का हो, न कि एक बिखरा हुआ धब्बा।

लेखकों ने इस जटिल भौतिकी समस्या को एक "सेमीडेफिनेट प्रोग्राम" (Semidefinite Program) में बदल दिया।

उपमा: यह एक उलझे हुए ऊन के गोले को एक व्यवस्थित बॉक्स में बदलने जैसा है जिसे कंप्यूटर तुरंत हल कर सकता है। उन्होंने सिद्ध किया कि शोर वाले सेंसर और गायब ब्लूप्रिंट के बावजूद, कंप्यूटर उस धुएं के बादल को ठीक उसी आकार में ढाल सकता है जैसा वह चाहता है।

सारांश

यह शोध पत्र एक बड़ी उपलब्धि है क्योंकि यह रोबोटों को बिना किसी मैनुअल की आवश्यकता के खुद को नियंत्रित करने और अनिश्चितता को प्रबंधित करने के लिए प्रशिक्षित करने की अनुमति देता है।

वे गायब ब्लूप्रिंट को बदलने के लिए पिछले इतिहास का उपयोग करते हैं।
वे गूँजते हुए शोर (लंबे समय तक रहने वाली गड़बड़ी) को ध्यान में रखते हैं।
वे सबसे अच्छा रास्ता खोजने के लिए दो स्मार्ट लर्निंग तरीकों (मॉडलिंग और प्रत्यक्ष डेटा विश्लेषण) का उपयोग करते हैं।
वे न केवल यह नियंत्रित कर सकते हैं कि रोबोट कहाँ जाता है, बल्कि यह भी कि रोबोट की संभावित स्थितियाँ कितनी फैली हुई हैं, जिससे यह सुनिश्चित होता है कि वह सुरक्षित और सटीक रूप से पहुँचता है।

यह एक अंधे व्यक्ति को एक तंग जगह में कार पार्क करने के लिए प्रशिक्षित करने जैसा है, जो केवल इस स्मृति का उपयोग करता है कि कल कार कैसे चली थी, जबकि वह इस तथ्य को अनदेखा करता है कि उसकी आँखें उसे धोखा दे रही हैं।

यहाँ डिमिट्रियोस मुस्त्रौफ़िस और पनागियोटिस त्सियोट्रस के शोध पत्र "Data-Driven Covariance Steering with Output Feedback" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्टोकेस्टिक, डिस्क्रीट-टाइम, लीनियर, टाइम-इनवेरिएंट (LTI) सिस्टम के लिए कोवेरिएंस स्टीयरिंग (CS) की समस्या को संबोधित करता है, जहाँ सिस्टम मॉडल (मैट्रिक्स $A, B, C$ ) अज्ञात है।

उद्देश्य: एक परिमित क्षितिज (finite horizon) $N$ के दौरान, सिस्टम के आउटपुट वितरण को एक प्रारंभिक गॉसियन वितरण $\mathcal{N}(\mu_i^y, \Sigma_i^y)$ से टर्मिनल वितरण $\mathcal{N}(\mu_f^y, \Sigma_f^y)$ तक निर्देशित करना, जबकि एक क्वाड्रेटिक कॉस्ट फंक्शन को कम करना।
बाधाएं (Constraints):
- आउटपुट फीडबैक: कंट्रोलर के पास केवल पिछले इनपुट्स और आउटपुट्स तक ही पहुँच होती है, पूर्ण स्टेट वेक्टर तक नहीं।
- मॉडल ज्ञान का अभाव: सिस्टम मैट्रिक्स अज्ञात हैं; नियंत्रण केवल इनपुट-आउटपुट डेटा के एक एकल प्रक्षेपवक्र (trajectory) ( $D = \{u_k, y_k\}$ ) से प्राप्त किया जाना चाहिए।
- स्टोकेस्टिक विक्षोभ (Disturbances): सिस्टम प्रोसेस नॉइज़ ( $w_k$ ) और मेजरमेंट नॉइज़ ( $q_k$ ) के अधीन है, जो i.i.d. गॉसियन हैं।
मुख्य चुनौती: मौजूदा डेटा-ड्रिवन CS विधियाँ पूर्ण स्टेट उपलब्धता या शोर-मुक्त मापन मानती हैं। यह कार्य आंशिक दृश्यता (output feedback) के अधिक कठिन मामले को संबोधित करता है जहाँ शोर की उपस्थिति में रूपांतरित स्टेट स्पेस में प्रेरित नॉइज़ टेम्पोरली कोरिलेटेड (समय के साथ सह-संबंधित) हो जाता है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक नॉन-मिनिमल स्टेट रिप्रेजेंटेशन का उपयोग करके आउटपुट-फीडबैक समस्या को स्टेट-फीडबैक समस्या में परिवर्तित करता है, और फिर क्रमशः इनडायरेक्ट (indirect) और डायरेक्ट (direct) डेटा-ड्रिवन दृष्टिकोणों का उपयोग करके मीन (mean) और कोवेरिएंस स्टीयरिंग समस्याओं को हल करता है।

A. नॉन-मिनिमल स्टेट रिप्रेजेंटेशन

आउटपुट की कमी को संभालने के लिए, लेखक पिछले इनपुट्स और आउटपुट्स से बना एक स्टेट वेक्टर $z_k$ निर्मित करते हैं:
$z_k \triangleq \text{col}(u_{k-1}, \dots, u_{k-\ell}, y_{k-1}, \dots, y_{k-\ell})$
जहाँ $\ell$ ऑब्जर्वेबिलिटी इंडेक्स है।

रूपांतरण (Transformation): यह प्रतिनिधित्व सिस्टम को स्टेट-स्पेस फॉर्म में लिखने की अनुमति देता है। हालाँकि, परिणामी "स्टेट" नॉइज़ टेम्पोरली कोरिलेटेड (व्हाइट नहीं) होता है।
डायमेंशनलिटी रिडक्शन: चूंकि नॉन-मिनिमल स्टेट $z_k$ में रैखिक रूप से निर्भर घटक हो सकते हैं (जो डेटा-ड्रिवन कंट्रोल के लिए कंट्रोलेबिलिटी शर्तों का उल्लंघन करते हैं), एक रिड्यूस्ड स्टेट $\chi_k = L z_k$ बनाने के लिए एक ट्रांसफॉर्मेशन मैट्रिक्स $L$ लागू किया जाता है। यह सुनिश्चित करता है कि डेटा मैट्रिक्स का फुल रो रैंक (full row rank) हो, जो विलेम्स के फंडामेंटल लेम्मा (Willems' Fundamental Lemma) को संतुष्ट करता है।

B. टेम्पोरली कोरिलेटेड नॉइज़ को संभालना

एक महत्वपूर्ण योगदान इस तथ्य को संबोधित करना है कि रूपांतरित नॉइज़ $\zeta_k$ समय के साथ सह-संबंधित है ( $E[\zeta_k \zeta_m^T] \neq 0$ जब $k \neq m$ )।

नॉइज़ को एक ऑटोरेग्रेसिव प्रक्रिया के रूप में मॉडल किया गया है: $\zeta_{k+1} = \Psi \zeta_k + \eta_k$ ।
कोवेरिएंस प्रोपेगेशन समीकरणों को स्टेट $\chi_k$ और नॉइज़ $\zeta_k$ के बीच क्रॉस-कोवेरिएंस ( $\Sigma_{\chi\zeta}$ ) को स्पष्ट रूप से ट्रैक करने के लिए संशोधित किया गया है, जो सह-संबंध के कारण गैर-शून्य है।

C. डेटा-ड्रिवन सिस्टम आइडेंटिफिकेशन

मीन और कोवेरिएंस कंट्रोलर्स के लिए दो अलग-अलग दृष्टिकोणों का उपयोग किया जाता है:

इनडायरेक्ट दृष्टिकोण (Mean Steering):
- डेटा से सिस्टम मैट्रिसेस ( $\hat{A}, \hat{B}, \hat{C}$ ) का अनुमान लगाता है।
- इंस्ट्रुमेंटल वेरिएबल्स (IV) या टोटल लीस्ट स्क्वायर्स (TLS) का उपयोग करता है।
- IV क्यों? क्योंकि आउटपुट-फीडबैक फॉर्मूलेशन में रिग्रेसर्स (पिछले स्टेट्स) आउटपुट नॉइज़ के साथ सह-संबंधित होते हैं, इसलिए मानक ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) और यहाँ तक कि TLS भी असंगत (inconsistent) हो सकते हैं। IV विधि पिछले कंट्रोल इनपुट्स को इंस्ट्रूमेंट्स के रूप में उपयोग करती है (जो नॉइज़ से स्वतंत्र हैं) ताकि मीन डायनेमिक्स का सुसंगत अनुमान सुनिश्चित किया जा सके।
डायरेक्ट दृष्टिकोण (Covariance Steering):
- यह स्पष्ट रूप से $A$ और $B$ की पहचान नहीं करता है। इसके बजाय, यह एकत्रित डेटा मैट्रिक्स $P$ (इनपुट्स और रिड्यूस्ड स्टेट्स से निर्मित) का उपयोग करके सीधे कंट्रोल लॉ को पैरामीटराइज़ करता है।
- नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या को सेमीडेफिनेट प्रोग्राम (SDP) में बदलने के लिए कॉन्वेक्स रिलैक्सेशन का उपयोग करता है।
- इसके लिए अनुमानित मॉडल के रेसिडुअल्स (residuals) से नॉइज़ रियलाइजेशन और उसके कोवेरिएंस का अनुमान लगाने की आवश्यकता होती है।

D. ऑप्टिमाइज़ेशन फॉर्मूलेशन

समस्या को लागत को कम करने के लिए एक SDP के रूप में तैयार किया गया है:
$J = \sum_{k=0}^{N-1} \text{tr}(Q\Sigma_k) + \text{tr}(R(K_k \Sigma_k K_k^T + \Sigma_k^\nu))$
विषय:

मीन और कोवेरिएंस का प्रोपेगेशन (क्रॉस-कोवेरिएंस टर्म्स सहित)।
आउटपुट मीन और कोवेरिएंस पर टर्मिनल बाधाएं।
रिलैक्सेशन फीडबैक गेन टर्म्स की नॉन-कॉन्वेक्सिटी को संभालने के लिए एक स्लैक वेरिएबल $Y_k \succeq U_k \Sigma_k^{-1} U_k^T$ पेश करता है।

3. मुख्य योगदान (Key Contributions)

आउटपुट-फीडबैक विस्तार: डेटा-ड्रिवन कोवेरिएंस स्टीयरिंग को फुल स्टेट फीडबैक से आउटपुट फीडबैक तक विस्तारित करना, जो व्यावहारिक अनुप्रयोग की दिशा में एक महत्वपूर्ण कदम है जहाँ पूर्ण स्टेट मापन अक्सर असंभव होता है।
कोरिलेटेड नॉइज़ को संभालना: नॉन-मिनिमल स्टेट रिप्रेजेंटेशन द्वारा प्रेरित टेम्पोरली कोरिलेटेड नॉइज़ को संभालने के लिए सैद्धांतिक अंतर को संबोधित करता है। यह पेपर स्टेट और नॉइज़ के बीच क्रॉस-कोवेरिएंस के लिए विशिष्ट प्रोपेगेशन समीकरणों को व्युत्पन्न करता है।
मजबूत अनुमान रणनीति (Robust Estimation Strategy): सह-संबंधित नॉइज़ की उपस्थिति में मॉडल आइडेंटिफिकेशन के लिए इंस्ट्रुमेंटल वेरिएबल्स (IV) का उपयोग करने का प्रस्ताव देता है, और सिमुलेशन के माध्यम से प्रदर्शित करता है कि इस विशिष्ट संदर्भ में IV, TLS और OLS की तुलना में बेहतर प्रदर्शन करता है।
डायरेक्ट कोवेरिएंस स्टीयरिंग: एक डायरेक्ट, मॉडल-फ्री कोवेरिएंस स्टीयरिंग समस्या को तैयार करता है जो पहचाने गए सिस्टम पैरामीटर्स के बजाय डेटा मैट्रिसेस पर निर्भर करती है, जिसे SDP के माध्यम से कुशलतापूर्वक हल किया जाता है।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने एक MIMO सिस्टम ( $n=3, p=2$ ) पर संख्यात्मक सिमुलेशन का उपयोग करके अपने ढांचे को सत्यापित किया।

मॉडल अनुमान (Model Estimation):
- OLS, TLS और IV विधियों की तुलना की गई।
- परिणाम: छोटे सैंपल साइज के लिए, IV का प्रदर्शन खराब (variance के कारण) था। हालाँकि, जैसे-जैसे सैंपल साइज बढ़ा, IV ने मीन एरर और एरर वेरिएंस के मामले में TLS और OLS को काफी पीछे छोड़ दिया, जो सह-संबंधित नॉइज़ की उपस्थिति में इसकी निरंतरता (consistency) की पुष्टि करता है।
डेंसिटी स्टीयरिंग (Density Steering):
- एक विशिष्ट टर्मिनल कोवेरिएंस वाले लक्ष्य लिसाजस (Lissajous) प्रक्षेपवक्र तक एक सिस्टम को स्टीयर करने का सिमुलेशन किया गया।
- परिणाम: बड़े डेटासेट साइज के साथ मीन और कोवेरिएंस स्टीयरिंग दोनों का प्रदर्शन सुधरा।
- टर्मिनल कोवेरिएंस एलिप्स सफलतापूर्वक लक्षित आकार में अभिसरित (converge) हुए, और मीन ट्रेजेक्टरीज़ ने रेफरेंस पाथ को सटीक रूप से ट्रैक किया।
- फ्रेमवर्क ने ज्ञात सिस्टम मॉडल की आवश्यकता के बिना टेम्पोरल नॉइज़ सह-संबंध को सफलतापूर्वक संभाला।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

महत्व: यह कार्य सैद्धांतिक डेटा-ड्रिवन कंट्रोल और व्यावहारिक इंजीनियरिंग बाधाओं (आंशिक दृश्यता और शोर युक्त डेटा) के बीच के अंतर को पाटता है। यह अनिश्चित वातावरण में काम करने वाले सुरक्षा-महत्वपूर्ण स्वायत्त प्रणालियों के लिए, बिना ज्ञात मॉडल के संभाव्यता वितरण (probability distributions) को नियंत्रित करने के लिए एक कठोर गणितीय ढांचा प्रदान करता है।
सीमाएं और भविष्य का कार्य:
- अनुमान त्रुटियों की उपस्थिति में SDP के लिए उपयोग किया जाने वाला कॉन्वेक्स रिलैक्सेशन "लॉसलेस" (lossless) नहीं है; यदि मॉडल अनुमान त्रुटिपूर्ण हैं तो टर्मिनल बाधाएं बिल्कुल सटीक रूप से पूरी होने की गारंटी नहीं है।
- भविष्य के कार्यों को उन रोबस्ट फॉर्मुलेशन को विकसित करने पर ध्यान केंद्रित करना चाहिए जो बाधा संतुष्टि (constraint satisfaction) सुनिश्चित करने के लिए अनुमान अनिश्चितता (estimation uncertainty) को स्पष्ट रूप से ध्यान में रखते हैं।

संक्षेप में, यह शोध पत्र केवल इनपुट-आउटपुट डेटा का उपयोग करके स्टोकेस्टिक सिस्टम के सांख्यिकीय वितरण को नियंत्रित करने के लिए एक अभिनव, डेटा-ड्रिवन ढांचे को प्रस्तुत करता है, जो उन्नत अनुमान और कॉनवेक्स ऑप्टिमाइज़ेशन तकनीकों के माध्यम से आंशिक दृश्यता और टेम्पोरली कोरिलेटेड नॉइज़ की जटिलताओं को प्रभावी ढंग से संभालता है।