Provably Efficient Sensor Allocation for Unknown High-dimensional Systems with Limited Sensing

Sintesi Tecnica: Allocazione Provabilmente Efficiente dei Sensori per Sistemi ad Alta Dimensionalità Sconosciuti con Sensing Limitato

Enunciato del Problema
Questo articolo affronta la sfida di apprendere allocazioni efficienti dei sensori per sistemi dinamici lineari ad alta dimensionalità sconosciuti ($x_{t+1} = Ax_t + Bu_t + w_t$), dove la dimensione dello stato $r$ è grande. L'obiettivo è identificare un insieme minimo di sensori (coordinate dello stato) che garantisca l'osservabilità del sistema, utilizzando solo un numero limitato di sensori durante la fase di raccolta dati.

Gli approcci esistenti affrontano due limitazioni principali in questo contesto:

1. Dipendenza dal Modello: I metodi classici di allocazione dei sensori richiedono la conoscenza esatta delle matrici del sistema ($A, B$), che non sono disponibili nei sistemi sconosciuti.
2. Requisiti di Dati: I metodi standard di identificazione del sistema (SYSID) richiedono tipicamente osservazioni dello stato completo (proibitivamente costose) o presuppongono l'esistenza di un'allocazione iniziale dei sensori che garantisca già l'osservabilità (dipendenza circolare).

Metodologia
Gli autori propongono un framework a due stadi per superare queste limitazioni, operando sotto l'assunzione che il sistema sia controllabile e stabile (Assunzioni 1 e 2).

• Stadio 1: Identificazione del Sistema con Selezione Dinamica delle Misurazioni
  Gli autori introducono un nuovo algoritmo SYSID (Algoritmo 1) che non richiede misurazioni dello stato completo o un'allocazione preesistente osservabile.

  • Raccolta Dati: Invece di misurare tutti gli stati simultaneamente, l'algoritmo raccoglie $K$ traiettorie. In ogni traiettoria $k$, un piccolo numero di sensori ($\bar{n}$) misura un sottoinsieme specifico, potenzialmente diverso, di coordinate dello stato.
  • Strategia di Misurazione: Le matrici di misurazione $C_k$ sono progettate ciclicamente per garantire che ogni coordinata dello stato sia osservata in almeno $s$ traiettorie ($s_{min} \ge 1$).
  • Stima: L'algoritmo sfrutta un'espansione ricorsiva della dinamica dello stato per esprimere lo stato come combinazione lineare degli ingressi passati (parametri di Markov). Esecutando una regressione ai minimi quadrati su queste coppie ingresso-uscita attraverso tutte le traiettorie, l'algoritmo stima la matrice dei parametri di Markov $G = [B, AB, \dots, A^dB]$.
  • Recupero: Le matrici del sistema $\hat{A}$ e $\hat{B}$ sono successivamente recuperate dai parametri di Markov stimati utilizzando un approccio di pseudo-inversa, a condizione che il rango di stima $d \ge r$.

• Stadio 2: Allocazione dei Sensori Guidata dai Dati
  Utilizzando le matrici del sistema stimate dallo Stadio 1, gli autori adattano un algoritmo di allocazione dei sensori greedy (Algoritmo 2) per selezionare l'insieme finale dei sensori.

  • Sottoprogramma di Stima del Rango: Un componente critico è un sottoprogramma di stima del rango (Algoritmo 3) che stima il rango della matrice di osservabilità $\mathcal{O}(\hat{C})$ utilizzando la stima rumorosa $\hat{A}$. Questo sottoprogramma impiega una soglia derivata con cura basata sui limiti dell'errore di stima per distinguere tra valori singolari non nulli e nulli.
  • Selezione Greedy: L'algoritmo aggiunge iterativamente sensori alla coordinata dello stato che massimizza l'aumento stimato del rango della matrice di osservabilità fino al raggiungimento del rango completo ($r$).

• Estensione alle Coordinate Inaccessibili
  Il framework è esteso a scenari in cui certe coordinate dello stato sono fisicamente inaccessibili per il posizionamento dei sensori. L'algoritmo restringe lo spazio di ricerca alle coordinate accessibili e utilizza una matrice di Hankel stimata costruita dalle righe accessibili dei parametri di Markov per eseguire la stima del rango (Algoritmo 4).

Principali Contributi e Risultati Teorici

1. Limiti di Errore Non Asintotici per SYSID: L'articolo fornisce garanzie per campioni finiti per l'algoritmo SYSID proposto. Il Teorema 1 stabilisce che l'errore nella stima dei parametri di Markov decade come $\tilde{O}(\sqrt{md/(s_{min}T)})$, dove $m$ è la dimensione dell'ingresso, $d$ è il rango di stima, $T$ è la lunghezza della traiettoria e $s_{min}$ è il numero minimo di volte in cui uno stato è osservato. Crucialmente, questo vale anche con un singolo sensore ($\bar{n}=1$) purché vengano raccolte abbastanza traiettorie.
2. Garanzie di Allocazione dei Sensori: Il Teorema 2 e il Teorema 3 dimostrano che il framework a due stadi proposto produce un'allocazione dei sensori che garantisce l'osservabilità. Il numero di sensori utilizzati, $\hat{n}$, è limitato da $(1 + \log(r))n^*$, dove $n^*$ è il numero minimo ottimale di sensori richiesto. Questo rapporto di approssimazione corrisponde ai risultati meglio noti per sistemi noti, nonostante operi su modelli appresi e approssimati.
3. Robustezza all'Inaccessibilità: Il framework gestisce con successo sistemi con coordinate dello stato inaccessibili, a condizione che le coordinate accessibili siano sufficienti a garantire l'osservabilità (Assunzione 3).

Validazione Sperimentale
Gli autori validano il loro approccio attraverso esperimenti numerici su due modelli:

• Sistema Ciclico a Blocchi: Un sistema in cui l'osservabilità richiede un sensore per blocco. L'algoritmo ha appreso con successo i parametri del sistema e ha identificato un'allocazione ottimale di 5 sensori.
• Dinamiche Termiche (HVAC): Un sistema a 20 zone con 5 coordinate inaccessibili. L'algoritmo ha appreso la dinamica utilizzando solo misurazioni accessibili e ha identificato un'allocazione ottimale di 10 sensori (due per blocco) per garantire l'osservabilità.

Significato
L'articolo afferma di colmare il divario tra l'allocazione teorica dei sensori (che assume modelli noti) e il controllo pratico guidato dai dati (che spesso manca di piena osservabilità). Decouplando il processo di identificazione del sistema dal requisito dell'osservabilità dello stato completo, il metodo proposto consente l'apprendimento di configurazioni efficienti dei sensori per sistemi ad alta dimensionalità in cui i sensori sono scarsi, costosi o limitati a posizioni specifiche. Le garanzie non asintotiche forniscono una base teorica per l'affidabilità di queste allocazioni guidate dai dati in applicazioni critiche per la sicurezza come le reti elettriche, le previsioni meteorologiche e le neuroscienze.