Gaussian behaviors: representations and data-driven control

Titolo: Comportamenti Gaussiani: Rappresentazioni e Controllo Basato sui Dati

1. Il Problema

I metodi di controllo basati sui dati (data-driven control), in particolare quelli derivanti dall'approccio comportamentale per sistemi lineari tempo-invarianti (LTI) deterministici, hanno ottenuto risultati significativi. Tuttavia, l'estensione di questi framework al dominio stocastico rimane una sfida aperta e oggetto di dibattito.
Le principali limitazioni delle attuali metodologie includono:

• Descrizioni deterministiche: Molti approcci trattano i sistemi come insiemi di traiettorie deterministiche, ignorando l'incertezza intrinseca o gestendola solo tramite regolarizzazione a posteriori senza un modello probabilistico sottostante.
• Complessità computazionale: Le estensioni stocastiche esistenti (es. basate su espansioni del caos polinomiale) spesso diventano intrattabili computazionalmente all'aumentare dell'ordine dell'espansione.
• Mancanza di un quadro unificato: Non esiste un framework che permetta di stimare direttamente la distribuzione delle traiettorie dai dati e di utilizzarla in modo efficiente per il controllo predittivo, collegando chiaramente concetti come il controllo a equivalenza certa, il controllo ottimistico e quello robusto.

2. Metodologia: Comportamenti Gaussiani (Gaussian Behaviors)

Gli autori propongono un nuovo framework di modellazione chiamato "Gaussian Behaviors". L'idea centrale è descrivere le traiettorie di un sistema stocastico di lunghezza finita come un processo Gaussiano.

• Definizione del Modello: Una traiettoria di lunghezza $L$ è modellata come un vettore aleatorio multivariato distribuito secondo una Gaussiana $N(\mu, \Sigma)$.
  • Il vettore medio $\mu$ rappresenta la traiettoria attesa.
  • La matrice di covarianza $\Sigma$ quantifica l'incertezza e le correlazioni temporali.
  • Per i sistemi lineari, il vettore medio è vincolato a un sottospazio (comportamento lineare).
• Stima dai Dati: Il modello può essere stimato direttamente dai dati osservati. La matrice di covarianza empirica $\hat{\Sigma} = \frac{1}{D} WW^\top$ (dove $W$ è la matrice dei dati) funge da rappresentazione del sistema e costituisce la stima di massima verosimiglianza (MLE) in assenza di media non nulla.
• Predizione Condizionale: Utilizzando le proprietà delle distribuzioni Gaussiane, è possibile derivare la distribuzione predittiva delle uscite future ($y_f$) condizionata agli ingressi passati e agli ingressi futuri scelti ($u_f$). Questo fornisce una distribuzione $N(\mu_{pred}, \Sigma_{pred})$ che cattura sia l'evoluzione media che l'incertezza residua.

3. Contributi Chiave

Il lavoro offre tre contributi principali:

1. Framework di Modellazione Unificato:

   • Dimostra che i comportamenti LTI deterministici e i modelli di spazio di stato stocastici (con rumore Gaussiano) sono casi particolari dei "Gaussian Behaviors".
   • Fornisce una rappresentazione dati diretta tramite la covarianza campionaria, eliminando la necessità di identificare parametri di stato (A, B, C, D) in modo esplicito.

2. Ridefinizione del Controllo Predittivo Basato sui Dati:

   • Controllo a Equivalenza Certa (SPC): Viene mostrato che il Subspace Predictive Control (SPC) classico è equivalente a una formulazione di controllo a equivalenza certa che minimizza il costo atteso sulla distribuzione predittiva stimata, ignorando l'incertezza del modello.
   • Controllo Ottimistico Distribuzionale (DeePC): Viene dimostrato che il metodo Data-enabled Predictive Control (DeePC) con regolarizzazione è matematicamente equivalente a una formulazione ottimistica distribuzionale. In questo approccio, si ottimizza il costo atteso scegliendo una media predittiva all'interno di un insieme di incertezza (definito dalla divergenza KL) che minimizza il costo. La regolarizzazione in DeePC agisce come un vincolo sulla divergenza KL tra la distribuzione stimata e quella "reale" ottimizzata.

3. Nuova Formulazione Robusta (Distributionally Robust Control):

   • Per mitigare l'eccessivo ottimismo del DeePC (che può portare a prestazioni peggiori in scenari reali con alta incertezza), gli autori propongono una nuova formulazione robusta distribuzionale.
   • Questo approccio risolve un problema min-max: minimizzare il costo atteso nel caso peggiore di deviazione della distribuzione predittiva rispetto alla stima, sempre vincolato dalla divergenza KL.
   • Riformulazione Convessa: Viene fornita una riformulazione convessa del problema robusto, rendendolo computazionalmente efficiente da risolvere. La convessità è garantita per valori sufficientemente alti del parametro di regolarizzazione $\lambda$.

4. Risultati e Analisi Teorica

• Equivalenza Teorica: Il paper stabilisce un ponte teorico solido tra la regolarizzazione nei metodi dati-driven e la gestione dell'incertezza distribuzionale. La regolarizzazione $\ell_2$ proiettata in DeePC corrisponde a un vincolo sulla divergenza KL tra la distribuzione predittiva stimata e quella utilizzata per il controllo.
• Efficienza Computazionale: La riformulazione del problema robusto (Equazione 15 nel testo) porta a un problema di ottimizzazione quadratica convessa (o approssimabile come tale), che può essere risolto efficientemente, a differenza di metodi stocastici precedenti che richiedevano espansioni complesse.
• Convergenza: È dimostrato che al tendere del parametro di robustezza $\lambda \to \infty$ (o dell'insieme di incertezza $\epsilon \to 0$), la formulazione robusta converge al controllo a equivalenza certa (SPC), mentre per valori intermedi bilancia esplorazione e sfruttamento.

5. Significato e Impatto

Questo lavoro è significativo perché:

• Colma il divario tra teoria e pratica: Offre un framework stocastico "bottom-up" che è sia teoricamente fondato (coerente con la teoria comportamentale e i processi stocastici) che praticamente applicabile (gestibile computazionalmente).
• Spiega il successo della regolarizzazione: Fornisce una giustificazione teorica rigorosa sul perché la regolarizzazione nei metodi come DeePC funzioni: non è solo un trucco numerico, ma una forma di ottimizzazione ottimistica distribuzionale che gestisce l'incertezza del modello.
• Introduce un nuovo standard di robustezza: La proposta di una formulazione robusta distribuzionale con soluzione convessa offre un'alternativa sicura all'ottimismo del DeePC, permettendo di controllare sistemi in presenza di incertezze significative senza sacrificare l'efficienza computazionale.
• Versatilità: Il framework è applicabile non solo al controllo predittivo, ma anche a problemi di "covariance steering" (guida della covarianza), aprendo nuove strade per il controllo di sistemi stocastici basati sui dati.

In sintesi, il paper trasforma la percezione del controllo basato sui dati da un approccio puramente deterministico regolarizzato a un framework probabilistico rigoroso, dove l'incertezza è modellata esplicitamente e gestita attraverso ottimizzazioni distribuzionali (ottimistiche o robuste).