Learning a Contracting KKL-observer with Local Optimal Guarantees

Sintesi Tecnica: Apprendimento di un Osservatore KKL Contrattivo con Garanzie di Ottimalità Locale

Enunciato del Problema
Il framework Kazantzis-Kravaris-Luenberger (KKL) offre un approccio generale alla stima dello stato non lineare immergendo la dinamica del sistema in uno spazio latente stabile. Sebbene recenti avanzamenti abbiano sfruttato l'apprendimento automatico per approssimare la trasformazione KKL (risolvendo la corrispondente equazione alle derivate parziali non lineare), rimane una sfida fondamentale: la selezione delle dinamiche latenti $\phi$. Nella pratica, queste dinamiche sono spesso scelte in modo euristico (ad esempio, sistemi lineari diagonali), il che può garantire la stabilità globale ma frequentemente comporta prestazioni sub-ottimali riguardo alla sensibilità allo stato stazionario al rumore di misura e a disturbi non modellati. Il problema centrale affrontato è come progettare sistematicamente le dinamiche latenti per raggiungere l'ottimalità locale senza compromettere le garanzie di contrazione globale intrinseche alla teoria KKL.

Metodologia
Gli autori propongono una strategia basata sull'apprendimento che sintetizza la robustezza globale degli osservatori KKL con l'ottimalità locale del Minimizzatore di Energia (MEE), noto anche come osservatore di Mortensen. La metodologia procede in tre fasi principali:

1. Caratterizzazione Teorica del Comportamento Locale:
   Il documento deriva un'approssimazione del primo ordine della dinamica dello stato ricostruito $\dot{\hat{x}}$ per un osservatore KKL generico. Questa analisi rivela che il comportamento locale è governato da una matrice di guadagno efficace $\Psi(\hat{x})$. Gli autori dimostrano che affinché l'osservatore mimetizzi il comportamento locale ottimale di un filtro di Mortensen, questo guadagno deve corrispondere a un termine ottimale specifico $\Psi_{opt}(\hat{x})$. Tale termine ottimale è derivato dalla soluzione di un'Equazione Differenziale alle Derivate Parziali di Riccati (PDRE) associata alla Matrice di Informazione $P(x)$.

2. Strategia di Apprendimento con Vincoli Strutturali:
   Per realizzare questo comportamento teoricamente ottimale, gli autori impiegano l'Apprendimento Profondo per approssimare tre componenti chiave: la mappa di immersione $\hat{T}$, la mappa di ricostruzione $\hat{\tau}$ e le dinamiche latenti $\hat{\phi}$.

   • Garanzia di Contrazione: Per garantire la stabilità globale (Requisito R2), le dinamiche latenti $\hat{\phi}$ sono parametrizzate utilizzando NodeREN (Equazioni Differenziali Ordinarie Neurali con vincoli strutturali specifici), che impongono matematicamente la proprietà di contrazione per progettazione.
   • Approssimazione dell'Ottimalità: Poiché risolvere la PDRE per $P(x)$ è intrattabile per sistemi non lineari generali, una Rete Neurale a Più Strati (MLP) viene prima addestrata per approssimare la matrice di informazione inversa $\hat{P}^{-1}$ minimizzando il residuo della PDRE trasformata.
   • Ottimizzazione Congiunta: La mappa di immersione, la mappa di ricostruzione e le dinamiche latenti sono addestrate congiuntamente per minimizzare una funzione di perdita composita. Tale perdita include:
     • $\ell_{pde}$: Penalizza le deviazioni dall'equazione alle derivate parziali KKL.
     • $\ell_{inv}$: Assicura che la mappa di ricostruzione sia un'inversa sinistra della mappa di immersione.
     • $\ell_{opt}$: Impone che il guadagno efficace dell'osservatore appreso corrisponda al guadagno ottimale derivato dalla $\hat{P}^{-1}$ approssimata.

Contributi Chiave

• Condizione di Ottimalità Locale: Il documento deriva una condizione specifica sulle dinamiche latenti tale per cui un osservatore KKL mimetizza localmente il comportamento di un Minimizzatore di Energia (osservatore di Mortensen) quando l'errore di stima è piccolo.
• Framework di Apprendimento Basato sulla Contrazione: Introduce una metodologia per apprendere osservatori KKL utilizzando reti neurali che impongono strutturalmente la contrazione (tramite NodeREN), garantendo così la robustezza globale mentre si ottimizza le prestazioni locali.
• Approssimazione del Filtraggio Ottimale: Il lavoro colma il divario tra la teoria del filtraggio ottimale (che tipicamente richiede la risoluzione di equazioni HJB infinite-dimensionali) e la progettazione pratica di osservatori, utilizzando un'approssimazione basata sui dati della Matrice di Informazione e della struttura del guadagno ottimale associata.

Risultati
La metodologia proposta è stata validata attraverso simulazioni numeriche su due benchmark non lineari: l'oscillatore di Van der Pol e l'oscillatore di Duffing inverso.

• Stabilità Globale: Gli osservatori appresi hanno dimostrato una convergenza robusta da condizioni iniziali arbitrarie, attribuita alla proprietà di contrazione imposta sulle dinamiche latenti.
• Gestione del Rumore: Gli stimatori hanno tracciato accuratamente gli stati del sistema in presenza di rumore di misura significativo.
• Sintonizzabilità: Le simulazioni hanno mostrato che, regolando le matrici di ponderazione ($R$) nella funzione di perdita di addestramento, il comportamento dell'osservatore può essere sintonizzato. Un $R$ più piccolo ha portato l'osservatore a tracciare più da vicino le dinamiche rumorose, mentre un $R$ più grande ha causato una maggiore dipendenza dal modello del sistema, dimostrando la capacità di bilanciare tra fedeltà del modello e rifiuto del rumore.

Significato e Affermazioni
Gli autori affermano che questo lavoro fornisce una "caratterizzazione principiale" delle dinamiche latenti per gli osservatori KKL, andando oltre la selezione euristica. Combinando garanzie di contrazione globale con un obiettivo di apprendimento che mira all'ottimalità locale, la strategia proposta offre un modo sistematico per progettare osservatori che sono sia robusti rispetto all'inizializzazione sia sensibili al rumore in modo controllato. Il documento posiziona modestamente questi risultati come una dimostrazione su benchmark accademici, notando che il lavoro futuro si concentrerà sull'istituzione di limiti di approssimazione per i modelli appresi e sull'estensione della teoria alle dinamiche a tempo discreto. L'approccio è presentato come una soluzione per sistemi in cui le soluzioni analitiche alla PDRE KKL sono irraggiungibili e gli osservatori standard possono avere difficoltà con le prestazioni in presenza di rumore.