Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control

1. Problema e Contesto

Il lavoro si inserisce nel campo del Controllo Predittivo basato sui Dati (DDPC - Data-Driven Predictive Control), che mira a progettare controllori direttamente dai dati misurati senza costruire un modello di stato esplicito.
Il problema centrale affrontato riguarda l'uso di predittori basati su modelli ARX (AutoRegressive with eXogenous inputs) strutturati all'interno di un controllo MPC (Model Predictive Control).

• La sfida: Sebbene la fase di identificazione dei parametri ARX sia un problema di regressione lineare, il predittore multi-step "sollevato" (lifted) utilizzato all'interno dell'algoritmo MPC dipende dai parametri in modo implicito e non lineare.
• La conseguenza: Questa non linearità rende difficile propagare l'incertezza dei parametri stimati verso l'incertezza della previsione multi-step e, di conseguenza, verso la funzione di costo del controllo. Senza una corretta caratterizzazione di questa incertezza, le prestazioni del sistema in loop chiuso possono degradare, specialmente in regimi di dati limitati o con eccitazione debole.

2. Metodologia

Gli autori propongono un approccio in due fasi per colmare il divario tra l'identificazione lineare e la propagazione dell'incertezza non lineare:

A. Linearizzazione Locale e Propagazione dell'Incertezza

Per aggirare la complessità della dipendenza non lineare, gli autori derivano una linearizzazione del primo ordine del predittore implicito attorno a una stima nominale dei parametri ($\bar{\theta}$).

• Viene calcolato il Jacobian ($J$) della mappa del predittore rispetto ai parametri ARX.
• Questo Jacobiano fornisce una mappa lineare approssimata che collega le perturbazioni dei parametri ($\theta - \bar{\theta}$) alle perturbazioni dell'uscita prevista multi-step.
• Il risultato è una formula chiusa per la covarianza approssimata dell'uscita prevista ($\Sigma_{yf}$), che dipende esplicitamente dalla covarianza a posteriori dei parametri e dal Jacobiano.
• Questo permette di approssimare un termine di penalità per l'incertezza (simile al Final Control Error o FCE) da aggiungere direttamente alla funzione di costo dell'MPC.

B. Progettazione del Kernel Sensibile al Task (Task-Aware)

L'uso principale della sensibilità derivata non è solo la penalizzazione diretta nel costo, ma la modellazione dell'incertezza durante l'identificazione.

• Viene proposto un nuovo termine di regolarizzazione basato sulla sensibilità. Il Jacobiano viene utilizzato per costruire una matrice di sensibilità $W(\xi)$ che misura quanto una specifica direzione di errore nei parametri influenzi l'errore di previsione pesato per il controllo.
• Questa matrice viene mediata su diverse realizzazioni del task operativo per ottenere una matrice di sensibilità media $\bar{W}$.
• Viene introdotto un kernel regolarizzato che combina la struttura a priori standard (es. kernel TC/SS) con un termine aggiuntivo basato su $\bar{W}$. Questo penalizza più fortemente le direzioni dei parametri che sono localmente più critiche per l'obiettivo di controllo, pur mantenendo la semplicità computazionale della regolarizzazione quadratica.

3. Contributi Chiave

I principali contributi del paper sono:

1. Analisi di Sensibilità Locale: Derivazione di una linearizzazione del primo ordine per il predittore multi-step implicito basato su ARX, creando un ponte analitico tra l'identificazione lineare e la propagazione dell'incertezza rilevante per il controllo.
2. Dualità dell'Uso del Jacobiano: Dimostrazione che lo stesso Jacobiano può essere utilizzato per due scopi distinti:
   • Stimare un termine di incertezza approssimato (tipo FCE) da inserire nel costo MPC.
   • Costruire una metrica di sensibilità dipendente dal task per modellare la regolarizzazione del kernel.
3. Validazione Numerica: Evidenziazione che il valore pratico maggiore di questo approccio si manifesta in regimi di eccitazione debole, dove l'incertezza del predittore è significativa.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un sistema LTI del secondo ordine in due scenari:

• Regime di Dati Informativi (Eccitazione forte): In questo scenario, l'identificazione è ben condizionata. Tutti i metodi basati su ARX (inclusi OLS e varianti con regolarizzazione) mostrano prestazioni competitive. I guadagni aggiuntivi forniti dalla regolarizzazione sensibile al task o dal termine FCE sono modesti, poiché l'incertezza residua è già bassa.
• Regime di Eccitazione Debole (Dati limitati/informativi): Questo è lo scenario critico.
  • I metodi basici (OLS) falliscono spesso o mostrano alta variabilità.
  • La regolarizzazione di base SS (Stochastic Subspace) fornisce un miglioramento sostanziale nella robustezza.
  • La proposta di "Sensitivity Shaping" (SS+W) offre un ulteriore miglioramento rispetto alla sola regolarizzazione SS, riducendo ulteriormente il costo in loop chiuso e la varianza delle traiettorie.
  • L'aggiunta diretta del termine FCE al costo MPC ha mostrato benefici meno consistenti rispetto alla regolarizzazione sensibile al task, probabilmente a causa delle approssimazioni necessarie nel termine incrociato quando l'identificatore è distorto (biased).

5. Significato e Conclusioni

Il lavoro dimostra che, nel controllo predittivo basato sui dati, non basta identificare un modello accurato; è fondamentale modellare l'incertezza in modo "consapevole del task".

• La linearizzazione locale permette di trattare matematicamente la complessità non lineare del predittore MPC senza dover ricorrere a metodi Monte Carlo costosi o approssimazioni troppo grezze.
• La metodologia proposta suggerisce che la regolarizzazione dovrebbe essere adattata non solo alla qualità dei dati (come fanno i kernel standard TC/SS), ma anche a come gli errori di stima si propagano nell'obiettivo di controllo specifico.
• Il metodo è particolarmente utile quando i dati di addestramento sono scarsi o poco informativi, permettendo di ottenere controllori più robusti e performanti rispetto alle tecniche standard.

In sintesi, il paper fornisce un framework teorico e pratico per integrare la sensibilità del controllo nella fase di identificazione, migliorando le prestazioni del DDPC in condizioni reali di dati limitati.