Excitation of control-affine systems and Koopman error bounds

Sintesi Tecnica: Eccitazione di Sistemi Affini al Controllo e Limiti di Errore di Koopman

Formulazione del Problema
Il documento affronta la sfida di identificare sistemi dinamici affini al controllo a partire dai dati utilizzando il framework dell'operatore di Koopman, specificamente tramite l'Estensione della Decomposizione del Modo Dinamico Esteso (EDMD). Sebbene i metodi basati sui dati come l'EDMD siano potenti per la modellazione di sistemi complessi, l'estensione ai sistemi affini al controllo (che generano modelli surrogati bilineari) introduce requisiti di dati significativi. Il problema centrale identificato è che l'accuratezza e la robustezza del processo di identificazione del sistema dipendono fortemente dalla qualità dei dati di input. Nello specifico, i limiti dell'errore di approssimazione per questi modelli sono inversamente proporzionali al valore singolare minimo ($\sigma_{\min}$) della matrice dei dati di input. Se i dati di input non sono sufficientemente "eccitanti" (ovvero, se gli input sono scarsamente distribuiti o correlati), $\sigma_{\min}$ diventa piccolo, portando a ampi limiti di errore e a prestazioni di controllo inaffidabili. Il documento cerca di stabilire linee guida per la selezione degli input al fine di massimizzare questo valore singolare, garantendo così un'identificazione robusta e limiti di errore affidabili per le applicazioni di controllo.

Metodologia
Gli autori sviluppano un framework centrato sul problema di regressione utilizzato per stimare la mappatura affine al controllo $y = g_0(x) + G(x)u$. La metodologia procede attraverso diverse fasi analitiche:

1. Analisi del Limite di Errore: Il documento stabilisce innanzitutto che l'errore nella stima dei parametri del sistema ($g_0$ e $G$) è limitato dal rapporto tra l'entità del disturbo e $\sigma_{\min}(V)$, dove $V$ è la matrice dei dati composta da una riga di uno e dai vettori di input.
2. Condizioni di Ottimalità: Gli autori derivano condizioni necessarie e sufficienti per massimizzare $\sigma_{\min}(V)$.
   • Una condizione necessaria è che la somma dei vettori di input sia nulla ($U\mathbf{1} = 0$).
   • Sotto tale condizione, la scalatura appropriata degli input permette alla matrice di raggiungere il limite teorico superiore per il valore singolare minimo.
   • Vengono identificate configurazioni ottimali specifiche: input ortogonali (Corollario 3.3) e input che formano i vertici di un simplex regolare (Proposizione 3.5).
3. Angoli tra Sottospazi e Raccolta Sequenziale: Riconoscendo che le applicazioni pratiche spesso comportano la raccolta sequenziale di dati piuttosto che la progettazione a priori di tutti gli input, gli autori introducono un approccio geometrico utilizzando gli angoli tra sottospazi. Essi derivano un limite inferiore per $\sigma_{\min}(V)$ basato sugli angoli tra i nuovi vettori di input e il sottospazio spaziato dagli input esistenti. Ciò porta a una strategia in cui, dato un insieme di input casuali, viene scelto un input aggiuntivo specifico (o un input esistente viene sostituito) per massimizzare gli angoli tra i sottospazi, massimizzando così il valore singolare minimo.
4. Integrazione con il Framework di Koopman: Questi risultati teorici sono applicati a due varianti specifiche di EDMD:
   • Bilinear EDMD con Controllo (EDMDc): Il framework consente un campionamento flessibile, dove i dati non devono essere raccolti a valori di controllo specifici e predefiniti (come i vettori unitari), ma possono essere inferiti da cluster di dati generali.
   • Kernel EDMD: Gli autori estendono i limiti di errore esistenti per i metodi basati su kernel al contesto affine al controllo, fornendo limiti di errore uniformi che verificano rigorosamente le assunzioni richieste per il Controllo Predittivo basato su Modelli (MPC) guidato dai dati.

Contributi Chiave

• Framework di Fitting dei Dati: Un nuovo framework per l'adattamento di mappature affini al controllo che collega esplicitamente la selezione dell'input al margine di robustezza del problema di identificazione.
• Condizioni di Ottimalità: Derivazione di condizioni necessarie e sufficienti per l'ottimalità dell'input al fine di massimizzare il valore singolare minimo della matrice dei dati, incluse costruzioni esplicite per input ortogonali e basati su simplex.
• Linee Guida Geometriche per Dati Sequenziali: Una linea guida pratica che utilizza gli angoli tra sottospazi per determinare come selezionare ulteriori input per migliorare il condizionamento in scenari di apprendimento sequenziale o online.
• Limiti di Errore Uniformi: La derivazione di limiti di errore uniformi per l'EDMDc bilineare e il Kernel EDMD in presenza di strutture affini al controllo. Tali limiti dipendono dalla distanza di riempimento (fill distance) dello spazio degli stati e dal condizionamento dei dati di input.
• Campionamento Flessibile: Un metodo per costruire punti dati artificiali (ad esempio, risposte a input vettoriali unitari) da collezioni di dati generali e flessibili, rimuovendo i requisiti di campionamento restrittivi.

Risultati
Il documento valida l'approccio proposto attraverso due scenari di applicazione:

1. Corpo Rigido a Fluttuazione Libera (Input 6D): Lo studio confronta quattro strategie di eccitazione: input casuali, input ortogonali, vertici di un simplex e una strategia basata sugli angoli tra sottospazi. I risultati mostrano che mentre gli input casuali producono un $\sigma_{\min}$ significativamente più basso e ampi errori di approssimazione, le strategie proposte (specialmente l'approccio basato sugli angoli tra sottospazi) raggiungono valori di $\sigma_{\min}$ vicini al massimo teorico, riducendo drasticamente gli errori di approssimazione del campo vettoriale.
2. Robot Mobile Nonolonomico (Input 2D): Il framework viene applicato a un robot mobile utilizzando l'EDMDc bilineare. I risultati dimostrano che l'uso delle strategie di eccitazione proposte (anche con un numero minimo di punti dati) porta a modelli surrogati di Koopman con errori di predizione a un passo significativamente inferiori rispetto al campionamento casuale. Lo studio mostra anche che aumentare il numero di input casuali può mitigare gli errori, ma la selezione guidata geometricamente raggiunge un'alta accuratezza con meno campioni.

Significatività
Il documento sostiene che i suoi contributi sono significativi per l'applicazione affidabile del controllo guidato dai dati in sistemi critici per la sicurezza. Fornendo condizioni esplicite e geometricamente interpretabili per la selezione dell'input, questo lavoro colma il divario tra l'identificazione teorica del sistema e la raccolta pratica dei dati. I limiti di errore derivati sono cruciali per la verifica formale delle proprietà a ciclo chiuso, come la stabilità asintotica nel Controllo Predittivo basato su Modelli (MPC). Inoltre, la capacità di eseguire un campionamento flessibile consente l'identificazione di sistemi affini al controllo in scenari in cui la raccolta di dati a input di controllo specifici e predefiniti è impraticabile o impossibile, rendendo l'approccio applicabile a problemi ingegneristici reali come la robotica e la dinamica dei veicoli.