Stability of data-driven Koopman MPC with terminal conditions

Titolo

Stabilità del MPC basato su Koopman guidato dai dati con condizioni terminali.

1. Problema e Contesto

Il controllo predittivo su modello (MPC) basato su modelli surrogati guidati dai dati (data-driven) ha guadagnato popolarità grazie ai recenti avanzamenti nell'apprendimento automatico. Tuttavia, un problema fondamentale rimane: la maggior parte dei risultati di stabilità standard per l'MPC presuppone che il modello interno descriva esattamente la dinamica del sistema.
Nei modelli guidati dai dati (come quelli basati sull'operatore di Koopman e sull'Extended Dynamic Mode Decomposition - EDMD), sono inevitabilmente presenti errori di approssimazione. In presenza di tali errori:

• La fattibilità ricorsiva (la capacità di trovare una soluzione valida ad ogni passo temporale) non è garantita.
• La stabilità asintotica del sistema a ciclo chiuso non è garantita.

L'obiettivo del paper è derivare condizioni rigorose sotto le quali un MPC, che utilizza un modello surrogato guidato dai dati (specificamente basato sull'operatore di Koopman) e include condizioni terminali (costo terminale e insieme terminale), possa garantire sia la fattibilità ricorsiva che la stabilità asintotica del sistema reale, nonostante gli errori di approssimazione.

2. Metodologia

A. Formulazione del Problema

Il sistema reale è descritto da $x^+ = f(x, u)$, mentre il controllore utilizza un modello surrogato $x^+ = f^\varepsilon(x, u)$, dove $\varepsilon$ rappresenta la precisione dell'approssimazione.
Per garantire la stabilità, il paper introduce:

1. Vincoli Rinforzati (Constraint Tightening): Per gestire l'incertezza del modello e garantire la fattibilità ricorsiva, i vincoli di stato vengono "restringiti" (tightened) in modo da tenere conto dell'errore di approssimazione e della costante di Lipschitz del modello surrogato.
2. Condizioni Terminali: Vengono utilizzati un costo terminale $V_f^\varepsilon$ e un insieme terminale $X_f^\varepsilon$, progettati basandosi sul modello surrogato, per garantire la stabilità.

B. Assunzioni Chiave

Il cuore della metodologia risiede nell'assunzione di un limite di errore proporzionale e uniforme (Assunzione 1):
$$\|f(x, u) - f^\varepsilon(x, u)\| \leq \min\{c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|, \eta^\varepsilon\}$$

• Proporzionalità: L'errore è limitato linearmente dalla norma dello stato e dell'ingresso. Questo è cruciale perché garantisce che l'errore tenda a zero man mano che il sistema si avvicina all'equilibrio (l'origine).
• Uniformità: Esiste un limite superiore costante $\eta^\varepsilon$ per l'errore.
• Lipschitzianità: Il modello surrogato deve essere Lipschitziano.

C. Implementazione con kEDMD

Il paper dimostra come soddisfare queste condizioni utilizzando il Kernel Extended Dynamic Mode Decomposition (kEDMD):

• Viene utilizzata una variante chiamata PI-kEDMD (Physics-Informed kEDMD).
• La modifica chiave consiste nell'imporre che il modello surrogato soddisfi esattamente la condizione di equilibrio all'origine ($f^\varepsilon(0,0)=0$) durante la fase di regressione.
• Questo vincolo fisico garantisce matematicamente l'esistenza del limite di errore proporzionale richiesto per la stabilità asintotica.

3. Contributi Chiave

1. Dimostrazione di Stabilità Asintotica: Il paper prova teoricamente che, se gli errori di approssimazione sono sufficientemente piccoli e soddisfano il limite proporzionale, l'MPC con condizioni terminali stabilizza asintoticamente il sistema reale, anche in presenza di vincoli di stato.
2. Estensione ai Modelli con Vincoli: A differenza di lavori precedenti che si concentravano su MPC senza vincoli o solo su stabilità pratica, questo lavoro integra esplicitamente i vincoli di stato tramite il constraint tightening, rendendo l'approccio applicabile a sistemi reali con limitazioni fisiche.
3. Collegamento Teorico-Pratico con kEDMD: Viene mostrato come il framework teorico di stabilità possa essere soddisfatto in pratica utilizzando modelli kEDMD con un'adeguata progettazione dei dati (virtual observation points) e l'imposizione di vincoli fisici (equilibrio all'origine).
4. Analisi di Fattibilità Ricorsiva: Viene fornita una dimostrazione rigorosa che l'uso di vincoli rinforzati basati sulla costante di Lipschitz e sul limite uniforme dell'errore garantisce che il problema di ottimizzazione rimanga risolvibile ad ogni passo temporale.

4. Risultati

• Teorema 1: Stabilisce che, sotto le Assunzioni 1 e 2 (errori proporzionali e condizioni terminali valide), il problema di ottimizzazione dell'MPC è fattibile per ogni $k \geq 0$ e l'origine è asintoticamente stabile per il sistema a ciclo chiuso.
• Studio di Caso Numerico (Oscillatore di Van der Pol):
  • È stato testato un sistema non lineare (oscillatore di Van der Pol) con due configurazioni di kEDMD: una standard e una PI-kEDMD.
  • Risultato: L'MPC basato sul modello kEDMD standard (senza garanzia di errore proporzionale) ha mostrato una stabilità pratica: l'errore di stato si stabilizza su un valore costante positivo (non converge a zero).
  • Al contrario, l'MPC basato sul modello PI-kEDMD (con errore proporzionale garantito) ha raggiunto una stabilità asintotica, portando lo stato a convergere esattamente all'origine.
  • L'uso di un numero maggiore di punti di osservazione virtuali ($d=1327$ vs $d=352$) ha ulteriormente ridotto l'errore di approssimazione, permettendo orizzonti di predizione più lunghi e una migliore performance.

5. Significato e Implicazioni

Questo lavoro è significativo perché colma il divario tra la teoria del controllo robusto e l'apprendimento automatico applicato al controllo.

• Riduzione della Conservatività: Dimostra che non è necessario conoscere esattamente il modello per garantire la stabilità asintotica; è sufficiente un modello approssimato che rispetti certe proprietà strutturali (come l'errore proporzionale).
• Guida per la Progettazione: Fornisce una guida pratica per gli ingegneri: quando si usano modelli Koopman per l'MPC, è imperativo imporre vincoli fisici (come l'equilibrio all'origine) durante l'addestramento del modello per garantire la stabilità teorica.
• Limiti e Lavori Futuri: Il paper riconosce che il constraint tightening basato sulla costante di Lipschitz può diventare molto conservativo per orizzonti di predizione lunghi (i vincoli si restringono eccessivamente). Suggerisce che tecniche di tightening più sofisticate (es. basate sulla stabilizzabilità incrementale) potrebbero mitigare questo problema in futuro.

In sintesi, il paper offre un framework matematicamente solido per l'uso sicuro e stabile di modelli di apprendimento automatico (Koopman/kEDMD) all'interno di schemi di controllo predittivo vincolati.