Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

Titolo

Operatori Neurali di Previsione su Orizzonte di Campionamento per il Controllo Non Lineare con Input Ritardati

1. Il Problema

I sistemi di controllo moderni operano frequentemente in condizioni di ritardi negli input (input delays) e con misure di stato campionate (discrete sampling instants).

• Sfida principale: La strategia classica di compensazione del ritardo, nota come predictor feedback, richiede la soluzione di un'equazione differenziale ordinaria (ODE) implicita in tempo reale. Questo comporta costi computazionali elevati e spesso intrattabili, specialmente per sistemi non lineari complessi.
• Limitazione delle soluzioni esistenti: Le formulazioni attuali degli operatori neurali per la previsione assumono che le misure di stato siano disponibili in modo continuo. Tuttavia, nella pratica, le misurazioni sono spesso discrete, irregolari o temporaneamente assenti a causa di limiti di banda o guasti hardware.
• Obiettivo: Sviluppare un framework di predictor feedback basato su operatori neurali che sia computazionalmente efficiente e robusto sia per sistemi con input ritardati che per misure di stato campionate (sia uniformi che non uniformi).

2. Metodologia

Gli autori propongono due approcci distinti basati sugli Operatori Neurali (Neural Operators), architetture progettate per approssimare mappature tra spazi di funzioni. Entrambi i metodi mirano a sostituire il calcolo numerico on-line del predictor con un'inferenza rapida di un modello appreso offline.

A. Formulazione del Sistema

Il sistema è descritto da:
$$\dot{X}(t) = f(X(t), U(t-D))$$
dove $D$ è un ritardo costante e le misure $X(T_i)$ sono disponibili solo agli istanti di campionamento $\{T_i\}$.

B. I Due Progetti di Controllo

Il paper introduce due schemi di progettazione, illustrati nella Figura 1 del documento:

1. Caso 1: Approssimazione dell'Operatore di Previsione su Orizzonte di Campionamento (Uniforme)

   • Ipotesi: Richiede un campionamento uniforme ($T_{i+1} - T_i = h$).
   • Meccanismo: Un operatore neurale $\hat{M}$ mappa direttamente la misura corrente e la storia degli input all'intera traiettoria di stato prevista $\hat{Z}(s)$ sull'intervallo di campionamento successivo $[T_i, T_{i+1})$.
   • Vantaggio: L'errore di approssimazione scala direttamente con l'errore dell'operatore neurale.
   • Svantaggio: Non gestisce intervalli di campionamento irregolari.

2. Caso 2: Approssimazione del Solo Predictor (Non Uniforme)

   • Ipotesi: Accetta campionamenti non uniformi ma limitati ($T_{i+1} - T_i \le h$).
   • Meccanismo: L'operatore neurale $\hat{P}$ approssima solo il predictor che stima lo stato futuro immediato (condizione iniziale per il ritardo). Tra un campionamento e l'altro, la dinamica viene propagata integrando l'ODE del sistema chiuso (flusso continuo).
   • Vantaggio: Maggiore flessibilità nella gestione di misure irregolari o mancanti.
   • Svantaggio: L'errore di approssimazione viene amplificato dal fattore di propagazione esponenziale $e^{C_f(1+C_\kappa)h}$ durante l'intervallo di integrazione. Richiede quindi un'approssimazione neurale più accurata per garantire la stabilità.

C. Analisi di Stabilità

Gli autori utilizzano un'analisi di Lyapunov per dimostrare la stabilità pratica semi-globale per entrambi gli schemi.

• Viene stabilito che il sistema a ciclo chiuso è stabile entro un residuo (bound) che dipende esplicitamente dall'errore di approssimazione dell'operatore neurale ($\epsilon$).
• Viene evidenziato un compromesso (trade-off): condizioni di campionamento più deboli (Caso 2) richiedono modelli neurali più precisi per mantenere la stessa garanzia di stabilità rispetto al Caso 1.

3. Risultati Sperimentali

Gli esperimenti sono stati condotti su un manipolatore robotico non lineare a 6 gradi di libertà (xArm6), un sistema complesso con dinamica accoppiata e ritardi.

• Setup: Controllo di coppia con ritardo $D=0.2s$ e misure rumorose (Gaussiano).
• Confronto:
  1. Predictor numerico classico (baseline, risoluzione ODE on-line).
  2. Caso 1 (Operatore neurale su orizzonte fisso).
  3. Caso 2 (Operatore neurale sul predictor + integrazione ODE).
• Performance di Tracciamento: Tutti e tre i metodi hanno dimostrato un tracciamento accurato della traiettoria desiderata.
• Velocità Computazionale:
  • L'approccio basato su operatori neurali ha mostrato un speedup di 25x rispetto al metodo numerico di base.
  • Tempo di inferenza: ~1 ms (GPU) vs ~25 ms (soluzione numerica ODE).
• Robustezza: Gli errori di previsione rimangono limitati e coerenti con le storie teoriche, anche in presenza di rumore e ritardi.

4. Contributi Chiave

1. Nuovi Architetture di Controllo: Introduzione di due schemi di predictor feedback basati su operatori neurali specifici per sistemi con input ritardati e misure campionate.
2. Analisi Teorica Rigorosa: Dimostrazione della stabilità pratica semi-globale con bound espliciti dipendenti dall'errore di approssimazione dell'operatore neurale.
3. Trade-off Progettuale: Identificazione e quantificazione del compromesso tra la flessibilità del campionamento (uniforme vs non uniforme) e la sensibilità all'errore di approssimazione del modello neurale.
4. Validazione Pratica: Dimostrazione su un sistema robotico reale che l'approccio proposto mantiene l'accuratezza del controllo riducendo drasticamente il carico computazionale.

5. Significato e Impatto

Questo lavoro colma un divario critico tra la teoria del controllo con ritardi (spesso basata su misure continue) e la realtà implementativa (misure discrete e risorse computazionali limitate).

• Efficienza: Rende fattibile l'implementazione di strategie di controllo avanzate con ritardi su hardware embedded o in tempo reale, dove la soluzione numerica di ODE implicite è proibitiva.
• Flessibilità: Offre agli ingegneri di controllo opzioni diverse in base ai vincoli del sistema di acquisizione dati (campionamento uniforme vs irregolare), fornendo le garanzie matematiche necessarie per la sicurezza del sistema.
• Scalabilità: L'uso degli operatori neurali permette di scalare a sistemi con dinamiche complesse senza aumentare esponenzialmente il costo computazionale on-line.

In sintesi, il paper propone una soluzione elegante che combina l'apprendimento profondo (per la velocità) con l'analisi di stabilità classica (per la sicurezza), risolvendo un problema fondamentale nel controllo di sistemi ritardati reali.