Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons

Titolo del Lavoro

Controllo a Retroazione di Uscita Basato su Predittore per Sistemi Lineari con Ritardi Variabili nel Tempo nell'Input e nella Misura tramite Orizzonti di Predizione Approssimati da Reti Neurali

1. Il Problema

Il lavoro affronta la sfida del controllo di sistemi lineari soggetti a ritardi variabili nel tempo sia nell'ingresso (input delay) che nella misura (measurement delay).

• Contesto: I ritardi sono comuni nei sistemi cyber-fisici a causa delle reti di comunicazione e delle pipeline di calcolo. Anche piccoli ritardi possono degradare le prestazioni o destabilizzare il sistema.
• Sfida Principale: I metodi di predictor feedback (retroazione predittiva) sono noti per garantire la stabilità anche per ritardi arbitrariamente lunghi, ricostruendo lo stato futuro del sistema. Tuttavia, per ritardi variabili nel tempo, l'implementazione esatta richiede il calcolo dell'inverso della funzione di ritardo per determinare l'orizzonte di predizione variabile nel tempo.
• Limitazione Attuale: L'inverso della funzione di ritardo raramente è disponibile in forma chiusa. Le approssimazioni numeriche tradizionali (come l'integrazione di ODE) diventano computazionalmente costose su orizzonti temporali lunghi e non offrono sempre garanzie di stabilità rigorose quando l'approssimazione è imperfetta. Inoltre, la maggior parte della letteratura esistente si concentra sul caso a retroazione di stato, trascurando la complessità aggiuntiva della retroazione di uscita (dove lo stato non è misurabile direttamente).

2. Metodologia

Gli autori propongono un framework di controllo in tre fasi che combina un osservatore, un predittore e una legge di controllo nominale, integrando due nuovi metodi per approssimare l'inverso del ritardo.

A. Struttura del Controllo (Output-Feedback)

Il sistema è modellato come:
$$\dot{Z}(t) = AZ(t) + BU(t - D_1(t))$$
$$Y(t) = CZ(t - D_2(t))$$
Il controllo proposto segue tre stadi:

1. Osservatore: Ricostruisce lo stato ritardato $Z(\phi_2(t))$ utilizzando la misura $Y(t)$, generando una stima $\xi(t)$.
2. Ricostruzione: Propaga la stima in avanti nel tempo per ottenere una stima dello stato corrente $\hat{Z}(t)$.
3. Predizione: Propaga ulteriormente la stima fino allo stato futuro predetto $\hat{P}(t) = \hat{Z}(t + \psi(t))$, dove $\psi(t) = \phi_1^{-1}(t) - t$ è l'orizzonte di predizione. La legge di controllo è $U(t) = K\hat{P}(t)$.

B. Approssimazione dell'Orizzonte di Predizione ($\psi(t)$)

Poiché $\psi(t)$ richiede l'inverso di $\phi_1(t) = t - D_1(t)$, gli autori sviluppano due approcci per approssimare questo operatore:

1. Metodo Numerico (Eulero): Riformulano il problema dell'inverso come un'Equazione Differenziale Ordinaria (ODE) e la risolvono numericamente utilizzando il metodo di Eulero esplicito (o metodi di ordine superiore come RK4). Questo approccio è basato su modelli ma richiede integrazione passo-passo.
2. Metodo Data-Driven (Operatori Neurali): Trattano l'inversione del ritardo come un problema di apprendimento di operatori. Utilizzano Operatori Neurali (in particolare Fourier Neural Operators - FNO) per apprendere la mappatura diretta dalla funzione di ritardo $D(t)$ all'orizzonte di predizione $\psi(t)$. Questo approccio apprende un surrogato computazionalmente efficiente.

C. Analisi di Stabilità

Gli autori dimostrano che, se l'errore di approssimazione dell'orizzonte di predizione è sufficientemente piccolo, il sistema in anello chiuso mantiene la stabilità esponenziale globale. Utilizzano una trasformazione backstepping per convertire il sistema a ritardi in un sistema target con perturbazioni al bordo, derivando condizioni sufficienti affinché l'errore di approssimazione non comprometta la stabilità.

3. Contributi Chiave

1. Framework Teorico per l'Approssimazione: Stabiliscono un quadro operatoriale per l'approssimazione della mappatura inversa del ritardo, dimostrando che tale mappatura è Lipschitziana su insiemi compatti. Questo fornisce la base matematica rigorosa per analizzare schemi di approssimazione.
2. Teoremi di Approssimazione: Derivano due teoremi che garantiscono l'approssimazione arbitrariamente accurata dell'inverso del ritardo:
   • Uno per il metodo di integrazione numerica (basato su ODE).
   • Uno per l'approssimazione tramite operatori neurali (basato su dati).
     Entrambi offrono garanzie su insiemi compatti con compromessi diversi tra costo computazionale e scalabilità.
3. Primo Design Output-Feedback con Ritardi Variabili: Sviluppano il primo schema di controllo a retroazione di uscita basato su predittore per sistemi lineari con ritardi variabili sia in input che in misura. Questo supera le limitazioni dei lavori precedenti che si limitavano alla retroazione di stato.
4. Garanzie di Stabilità Robusta: Dimostrano che la stabilità esponenziale globale è preservata anche in presenza di errori di approssimazione dell'orizzonte di predizione, purché l'errore rimanga al di sotto di una soglia critica ($\epsilon^*$).

4. Risultati

• Simulazioni Numeriche: Gli autori hanno testato il metodo su un sistema lineare instabile con ritardi oscillanti variabili nel tempo.
• Confronto delle Prestazioni:
  • Accuratezza: Sia il metodo numerico (Eulero/RK4) che quello basato su reti neurali (FNO) riescono a stabilizzare il sistema. L'errore di residuo (quanto bene l'approssimazione soddisfa la relazione implicita) è molto basso per entrambi.
  • Efficienza Computazionale:
    • Il metodo di Eulero richiede circa 11.98 ms per valutazione.
    • Il metodo RK4 richiede circa 42.50 ms (3.5 volte più lento).
    • L'operatore neurale (FNO) è il più veloce, richiedendo solo 2.01 ms (un'accelerazione di 6x rispetto a Eulero e 21x rispetto a RK4), grazie all'uso di GPU.
• Trade-off: Il metodo neurale offre una velocità superiore ma richiede una fase di addestramento offline (circa 3 ore per la generazione del dataset e l'addestramento) e una leggera perdita di accuratezza rispetto ai metodi numerici di ordine superiore, sebbene sufficiente per garantire la stabilità.

5. Significato e Impatto

Questo lavoro è significativo per diversi motivi:

• Praticità: Risolve il collo di bottiglia computazionale che ha finora limitato l'uso pratico dei predittori per ritardi variabili nel tempo, rendendo possibile l'implementazione in tempo reale.
• Versatilità: Introduce l'uso degli operatori neurali nel controllo predittivo, aprendo la strada all'uso di tecniche di learning-based control per problemi di controllo con ritardi complessi.
• Robustezza: Fornisce una teoria solida che collega l'errore di approssimazione alla stabilità del sistema, permettendo agli ingegneri di scegliere il metodo di approssimazione (numerico vs neurale) in base ai vincoli di tempo reale e alle risorse computazionali disponibili.
• Estensione all'Output-Feedback: Colma un vuoto nella letteratura estendendo la teoria dei predittori a scenari realistici dove lo stato completo non è misurabile, un requisito fondamentale per le applicazioni industriali.

In sintesi, il paper dimostra che è possibile implementare controllori predittivi robusti per sistemi con ritardi variabili nel tempo combinando metodi numerici classici e apprendimento automatico, garantendo al contempo stabilità teorica rigorosa.