Nonlinear Stochastic Density Steering via Gaussian Mixture Schrodinger Bridges and Multiple Linearizations

1. Il Problema

Il lavoro affronta il problema fondamentale del controllo stocastico ottimo (SOC) per sistemi dinamici non lineari. L'obiettivo è guidare l'evoluzione di un sistema stocastico, descritto da un'equazione differenziale stocastica (SDE) di tipo Itô, da una distribuzione di probabilità iniziale prescritta ($\rho_0$) a una distribuzione finale desiderata ($\rho_T$) in un tempo $T$, minimizzando un costo di controllo.

Le sfide principali identificate sono:

• Non linearità e incertezza: I metodi esistenti per il "density steering" (controllo della densità) sono spesso limitati a dinamiche lineari o linearizzate localmente attorno a una singola traiettoria di riferimento (media globale).
• Fallimento delle approssimazioni lineari: In regimi di alta incertezza o con distribuzioni multimodali (dove la massa di probabilità è concentrata in regioni distanti tra loro), la linearizzazione attorno a una singola media globale diventa inaffidabile. Una parte significativa della massa di probabilità può cadere fuori dalla regione di validità dell'approssimazione lineare, portando a errori di controllo e mancato rispetto dei vincoli terminali.
• Limiti dei metodi attuali: Le soluzioni numeriche generali sono computazionalmente proibitive (maledizione della dimensionalità), mentre i metodi basati su programmazione semidefinita (SDP) funzionano bene solo per sistemi lineari con distribuzioni Gaussiane.

2. Metodologia Proposta

Gli autori propongono un framework innovativo chiamato "Multiple Distribution-to-Distribution Linearization" (Multiple Linearization - ML). L'approccio combina la teoria dei Ponti di Schrödinger con la modellazione tramite Mixture di Gaussiane (GMM).

I passaggi chiave della metodologia sono:

1. Approssimazione GMM: Sia la distribuzione iniziale $\rho_0$ che quella finale $\rho_T$ sono approssimate come Mixture di Gaussiane (GMM) con $N_0$ e $N_1$ componenti rispettivamente. Le distribuzioni GMM sono dense nello spazio delle misure di probabilità, permettendo di approssimare qualsiasi distribuzione.
2. Decomposizione in Sottoproblemi: Il problema non lineare globale viene scomposto in una serie di sottoproblemi di Steering della Covarianza Ottimale (OCS). Per ogni coppia di componenti $(i, j)$ (dove $i$ è una componente iniziale e $j$ una finale), viene definita una traiettoria di riferimento deterministica $\mu_{t|ij}$ che collega le medie delle due componenti.
3. Linearizzazione Multipla: Invece di linearizzare il sistema non lineare attorno a una singola media globale, il sistema viene linearizzato localmente attorno a ciascuna delle $N_0 \times N_1$ traiettorie di riferimento $\mu_{t|ij}$.
   • Per ogni coppia $(i, j)$, si risolve un problema OCS lineare (tramite SDP) per ottenere una legge di controllo affine locale: $u_{t|ij}(x) = K_{t|ij}(x - \mu_{t|ij}) + \bar{u}_{t|ij}$.
4. Sintesi del Controllore Globale: La legge di controllo finale non lineare è una combinazione convessa pesata di tutte le leggi di controllo locali affini. I pesi sono determinati dalla probabilità a posteriori che lo stato corrente $x_t$ appartenga alla componente $(i, j)$ della miscela, calcolata tramite un problema di trasporto ottimo lineare (LP) che minimizza il costo di trasporto tra le componenti.
   • La formula del controllo è: $u_t(x) = \sum_{i,j} u_{t|ij}(x) \frac{\rho_{t|ij}(x) \lambda_{ij}}{\sum_{i',j'} \rho_{t|ij'}(x) \lambda_{i'j'}}$.

3. Contributi Chiave

• Framework di Linearizzazione Multipla: Introduzione di un metodo che decompone un problema di steering di densità non lineare in sottoproblemi OCS Gaussiani-Gaussiani risolvibili efficientemente.
• Analisi Teorica degli Errori: Dimostrazione teorica (Teoremi 1 e 2) che l'approssimazione tramite multiple linearizzazioni offre un limite superiore all'errore di linearizzazione inferiore rispetto alla singola linearizzazione (SL), specialmente quando la funzione di deriva è convessa/concava o quando le distribuzioni sono multimodali.
• Garantire Vincoli Terminali: Il metodo fornisce garanzie esplicite sul rispetto della distribuzione terminale, a differenza di alcuni approcci basati su diffusione (diffusion-based) che spesso mancano di sintesi di feedback esplicita.
• Validazione Empirica: Applicazione del metodo a un problema complesso di trasferimento orbitale Terra-Marte con dinamiche gravitazionali non lineari.

4. Risultati Sperimentali

Gli autori hanno valutato il metodo su un caso di studio di trasferimento orbitale Terra-Marte in un piano eclittico 2D, confrontando la strategia Multiple Linearization (ML) con la strategia Single Linearization (SL) tradizionale. Sono stati testati due scenari:

• Caso I (Distribuzioni Multimodali): Distribuzioni iniziali e finali composte da componenti Gaussiane isolate (3 iniziali, 2 finali).
  • Risultato: Il metodo SL fallisce nel catturare la separazione della massa di probabilità, mentre ML gestisce efficacemente le diverse modalità, mantenendo le traiettorie nelle regioni di validità delle rispettive linearizzazioni.
• Caso II (Alta Incertezza): Distribuzioni con grandi covarianze, approssimate tramite GMM.
  • Risultato: ML ha dimostrato una riduzione significativa del costo di controllo rispetto a SL.

Metriche di Confronto (Tabella 2):

• Costo di Controllo ($J_{ctrl}$): ML ha ridotto il costo del 10.62% nel Caso I e del 18.94% nel Caso II rispetto a SL.
• Distanza Sliced Wasserstein-2 (Sliced $W_2$): Questa metrica misura quanto la distribuzione empirica finale si avvicina a quella desiderata. ML ha ottenuto valori molto più bassi (migliore aderenza alla distribuzione target) rispetto a SL (es. 1.25 vs 4.45 nel Caso I).

5. Significato e Impatto

Questo lavoro è significativo perché colma un divario importante nel controllo stocastico non lineare:

1. Gestione dell'Incertezza Multimodale: Fornisce una soluzione computazionalmente efficiente per sistemi dove l'incertezza non può essere rappresentata da una singola distribuzione Gaussiana (es. scenari di navigazione spaziale con multiple traiettorie possibili o incertezze iniziali disperse).
2. Scalabilità: Sfruttando la decomposizione in problemi OCS lineari risolvibili via SDP, il metodo evita la complessità esponenziale tipica delle soluzioni numeriche generali per problemi non lineari.
3. Applicabilità Reale: La validazione su un problema di dinamica orbitale reale dimostra che l'approccio è robusto e pronto per applicazioni in ambiti critici come la pianificazione di missioni spaziali, dove il mancato rispetto dei vincoli di distribuzione può portare al fallimento della missione.

In sintesi, il paper propone un ponte teorico e pratico tra la teoria del trasporto ottimo, i ponti di Schrödinger e il controllo ottimo, offrendo un metodo superiore per il controllo di densità in sistemi non lineari complessi.