⚡ electrical engineering

Data-Driven Covariance Steering with Output Feedback

Questo articolo presenta un metodo per il controllo della covarianza basato su dati per sistemi lineari stocastici a tempo discreto senza conoscenza del modello, che utilizza una rappresentazione non minimale dello stato e un feedback dall'uscita per formulare il problema come un programma semidefinito risolvibile in modo efficiente.

Autori originali: Dimitrios Moustroufis, Panagiotis Tsiotras

Pubblicato 2026-04-03

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Dimitrios Moustroufis, Panagiotis Tsiotras

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover guidare una navicella spaziale (il sistema) attraverso un campo di asteroidi (il rumore e le incertezze) per raggiungere una stazione spaziale specifica.

Il Problema: "Navigare al buio"

Di solito, per guidare una navicella, hai bisogno di due cose:

Una mappa perfetta (il modello matematico del sistema) che ti dice esattamente come reagisce la navicella quando spingi le leve.
Una visibilità perfetta (i sensori) per vedere dove sei.

In questo articolo, gli autori affrontano una situazione molto più difficile:

Non abbiamo la mappa: Non conosciamo le equazioni fisiche della navicella (è un "sistema senza modello").
Non vediamo tutto: I nostri sensori sono imperfetti e ci danno solo una visione parziale e "rumorosa" della posizione (feedback di uscita, non di stato completo).
Il tempo è un fattore: Il rumore non è casuale ogni secondo; se oggi c'è un'oscillazione, è probabile che ce ne sia una simile anche domani (rumore correlato nel tempo).

L'obiettivo non è solo arrivare al punto giusto, ma garantire che tutta la flotta di navicelle (che partono da posizioni leggermente diverse a causa di errori iniziali) arrivi a destinazione con una precisione specifica, formando un gruppo compatto e ordinato, non disperso.

La Soluzione: "Imparare dalla storia"

Invece di cercare di capire la fisica della navicella, gli autori dicono: "Non preoccupiamoci della teoria, guardiamo cosa è successo in passato!".

Hanno raccolto un enorme archivio di video di viaggi precedenti (dati storici) fatti con la navicella. Usano questi dati per imparare a guidare senza sapere come funziona il motore.

Ecco i tre passaggi magici della loro strategia:

1. Costruire un "Ricordo Esteso" (Rappresentazione Non Minima)

Poiché non vediamo tutto (non conosciamo la posizione esatta interna), gli autori creano un "super-sensorio". Invece di guardare solo dove siamo adesso, guardiamo dove siamo stati negli ultimi secondi e cosa abbiamo fatto con le leve.

L'analogia: È come guidare un'auto guardando non solo il parabrezza, ma anche i riflessi nei finestrini laterali e ricordando come hai sterzato 5 secondi fa. Questo crea una "memoria" che compensa la mancanza di visibilità diretta.

2. Gestire il "Rumore Ostinato"

Il problema è che questo "ricordo esteso" fa sì che il rumore (le scosse della navicella) non sia più casuale, ma correlato. Se oggi la navicella scivola, domani scivolerà di nuovo in modo simile.

L'analogia: Immagina di camminare su una superficie gelata. Se scivoli oggi, è probabile che scivoli anche domani perché il ghiaccio è ancora lì. Gli autori hanno creato un metodo per prevedere come questo "scivolamento" si propaga nel tempo, calcolando non solo dove sei, ma anche quanto sei "incerto" rispetto al tuo scivolamento passato.

3. Due Approcci per Due Problemi

Per risolvere il puzzle, usano due metodi diversi basati sui dati:

Per la direzione (la Media): Usano un metodo "indiretto". Prima stimano una mappa approssimativa dai dati passati, poi usano quella mappa per pianificare la rotta. È come guardare una vecchia mappa disegnata a mano per capire dove andare.
Per la precisione (la Covarianza): Usano un metodo "diretto". Non cercano di capire la mappa, ma analizzano direttamente i dati per capire come il rumore si comporta e come correggerlo in tempo reale. È come un pilota che, sentendo le scosse, corregge il timone istintivamente basandosi sulla sensazione, senza guardare la mappa.

Il Risultato: Un Controllo Matematico "Intelligente"

Hanno trasformato tutto questo in un problema matematico che un computer può risolvere velocemente (un programma a semidefinita).
Il risultato è un sistema che:

Prende dati grezzi e rumorosi.
Impara a prevedere come il rumore si accumula nel tempo.
Calcola la manovra perfetta per portare la navicella (o il robot, o il drone) da un punto A a un punto B, assicurandosi che arrivi esattamente dove deve essere, anche se non sa come funziona il motore e i suoi sensori sono imperfetti.

In Sintesi

È come insegnare a un robot a guidare in una nebbia fitta senza dargli le istruzioni del manuale. Gli dai solo un video di 1000 persone che hanno guidato prima di lui. Il robot guarda il video, impara che "quando piove e ho sterzato a sinistra, l'auto è scivolata a destra", e usa questa esperienza per guidare te in sicurezza, mantenendo il gruppo di auto compatto e ordinato, anche senza conoscere la fisica dell'asfalto.

Questo lavoro è fondamentale perché rende i sistemi autonomi (droni, robot industriali, veicoli autonomi) molto più sicuri e affidabili nel mondo reale, dove i modelli perfetti non esistono e i sensori sbagliano.

1. Il Problema

Il lavoro affronta il problema del Covariance Steering (CS) per sistemi stocastici, lineari, tempo-invarianti (LTI) a tempo discreto, in un contesto senza modello (model-free).
L'obiettivo è guidare la distribuzione statistica dell'uscita di un sistema da una distribuzione iniziale $N(\mu_i, \Sigma_i)$ a una distribuzione finale desiderata $N(\mu_f, \Sigma_f)$ entro un orizzonte temporale definito, minimizzando un indice di costo.

Le sfide principali identificate sono:

Assenza del modello: Le matrici del sistema ( $A, B, C$ ) sono sconosciute.
Feedback dell'uscita: A differenza della maggior parte degli studi precedenti che assumono la misurazione completa dello stato, qui si dispone solo di misurazioni rumorose dell'uscita ( $y_k$ ).
Rumore correlato: L'uso di una rappresentazione dello stato non minimale (basata su input/uscite passati) introduce una correlazione temporale nel rumore di disturbo indotto, complicando la propagazione della covarianza.

2. Metodologia

L'approccio proposto combina rappresentazioni dello stato non minimali con tecniche di controllo basate sui dati (Data-Driven), distinguendo tra un approccio indiretto per il controllo del valore medio e uno diretto per il controllo della covarianza.

A. Rappresentazione dello Stato Non Mininale

Poiché lo stato completo non è misurabile, gli autori costruiscono uno stato esteso $z_k$ composto da un vettore di input e uscite passati. Tuttavia, questa rappresentazione può essere ridondante e non controllabile in presenza di rumore.
Per risolvere ciò, viene introdotta una trasformazione lineare $L$ per ottenere uno stato minimale ridotto $\chi_k = L z_k$ . Le dinamiche di $\chi_k$ sono descritte da:
$\chi_{k+1} = A\chi_k + B u_k + \xi_k$
$y_k = C\chi_k + \zeta_k$
Dove il rumore $\zeta_k$ è temporalmente correlato (non i.i.d.), richiedendo la propagazione esplicita della cross-covarianza tra stato e disturbo.

B. Identificazione del Modello (Stima dei Parametri)

Per gestire la mancanza del modello, vengono proposti due metodi di stima basati su dati di persistenza di eccitazione (Persistently Exciting - PE):

Metodo dei Minimi Quadrati Totali (TLS): Utile quando l'incertezza è presente sia nelle regressori che nelle osservazioni. Tuttavia, può non essere consistente se i regressori sono correlati al rumore.
Metodo delle Variabili Strumentali (IV) / 2SLS: Utilizzato per garantire la consistenza dell'estimatore in presenza di correlazione tra regressori e rumore. Vengono usati input passati come variabili strumentali.
- Stima del modello: Si stimano le matrici $A, B, C$ .
- Stima del rumore: Si stimano le realizzazioni del rumore e le sue matrici di covarianza ( $\Sigma_\zeta, \Psi$ ) dai residui del modello stimato.

C. Formulazione del Problema di Steering

Il problema è scomposto in due parti:

Steering del Valore Medio (Approccio Indiretto): Utilizza il modello stimato ( $\hat{A}, \hat{B}, \hat{C}$ ) per calcolare l'input di feedforward necessario per raggiungere il target medio.
Steering della Covarianza (Approccio Diretto): Non stima separatamente le matrici $A$ $A$ e $B$ $B$ , ma parametrizza direttamente i guadagni di feedback utilizzando i dati grezzi.
- Viene introdotta una relaxazione convessa per trasformare il problema di ottimizzazione non convesso (dovuto ai termini incrociati tra guadagni e covarianze) in un Programma Semidefinito (SDP) risolvibile efficientemente.
- Vengono definiti nuovi variabili decisionali ( $U_k, W_k, Y_k$ ) per linearizzare i vincoli.

3. Contributi Chiave

Estensione al Feedback dell'Uscita: Il lavoro estende i risultati esistenti sul Covariance Steering basato sui dati (che richiedevano lo stato completo) al caso di feedback dell'uscita, un problema più realistico per le applicazioni pratiche.
Gestione del Rumore Correlato: Viene affrontato per la prima volta (secondo gli autori) il problema del Covariance Steering a tempo discreto in presenza di rumore temporalmente correlato, derivante dalla rappresentazione non minimale dello stato.
Metodo di Stima Consistente: Viene presentato un metodo di identificazione (basato su IV/2SLS) capace di gestire la correlazione tra regressori e rumore, garantendo la consistenza delle stime necessarie per il controllo diretto.
Formulazione SDP: La conversione del problema di steering della covarianza in un SDP convesso, permettendo una soluzione computazionalmente efficiente.

4. Risultati Sperimentali

Gli autori hanno validato il framework attraverso simulazioni numeriche:

Stima del Modello: Confronto tra LS, TLS e IV. I risultati mostrano che per piccoli campioni l'IV performa peggio, ma all'aumentare della dimensione del dataset, l'IV supera gli altri metodi in termini di errore medio e varianza, grazie alla sua consistenza statistica.
Steering della Densità: Un sistema MIMO è stato utilizzato per guidare l'uscita verso un target specifico (traiettoria di Lissajous per il medio, ellissi specifica per la covarianza).
- Le simulazioni mostrano che all'aumentare della dimensione del dataset, l'errore sul valore medio terminale diminuisce e le ellissi di covarianza convergono verso il target desiderato.
- Vengono presentati grafici che mostrano la convergenza delle traiettorie e delle ellissi di covarianza finali.

5. Significato e Implicazioni

Questo lavoro è significativo perché colma un divario importante tra la teoria del controllo stocastico e le applicazioni pratiche basate sui dati.

Praticità: Rimuove l'assunzione irrealistica della misurazione completa dello stato, rendendo il controllo adattivo applicabile a sistemi reali dove solo l'uscita è accessibile.
Robustezza: Fornisce un framework teorico per gestire sistemi stocastici con rumore correlato senza bisogno di un modello fisico a priori.
Futuro: Gli autori identificano come direzione futura lo sviluppo di formulazioni robuste per quantificare e mitigare gli errori di stima, specialmente quando i dati sono limitati, per garantire il rispetto dei vincoli terminali in presenza di incertezze residue.

In sintesi, il paper propone un framework completo e matematicamente rigoroso per il controllo di sistemi stocastici complessi utilizzando esclusivamente dati storici, superando le limitazioni delle misurazioni parziali e del rumore correlato.