Input-to-State Stable Bundle Koopman Neural ODEs for Learning Controlled Dynamics under Environmental Constraints

Riepilogo Tecnico: ISS-BKNO per l'apprendimento di dinamiche controllate sotto vincoli ambientali

Definizione del Problema
Il documento affronta la sfida di apprendere modelli accurati e certificabilmente stabili per sistemi dinamici non lineari controllati che operano sotto condizioni ambientali variabili. Gli approcci esistenti affrontano tipicamente la stabilità, gli input estrinseci o i vincoli ambientali in modo isolato. Nello specifico:

• I metodi Koopman offrono rappresentazioni lineari ma spesso perdono la struttura spettrale esplicita quando utilizzano il deep learning, complicando i certificati di stabilità.
• I Neural ODE stabili forniscono modelli a profondità continua ma spesso mancano di garanzie contro i cambiamenti distribuzionali o le perturbazioni esterne.
• L'apprendimento consapevole dell'ambiente fatica a separare i vincoli geometrici (fibre) dalla dinamica pur mantenendo garanzie di convergenza globale.

Gli autori identificano una lacuna nei metodi che forniscano simultaneamente: (i) un sistema di coordinate latenti esplicito e condizionato dall'ambiente che separi la geometria della fibra dalla dinamica; (ii) un certificato di Stabilità all'Input-Stato (ISS) verificabile tramite un programma semidefinito; e (iii) un obiettivo di addestramento unificato che imponga queste proprietà congiuntamente.

Metodologia: Il Framework ISS-BKNO
Il framework proposto, ISS-BKNO (Input-to-State Stable Bundle Koopman Neural ODE), integra l'identificazione dell'operatore di Koopman, i Neural ODE, la geometria dei fasci (fiber bundle) e la certificazione ISS in una pipeline di lifting a tre stadi:

1. Encoder consapevole del fascio (Bundle-Aware Encoder):
   Lo stato fisico $x$ e il segnale ambientale $\xi$ vengono mappati in una fibra $F_\xi$ all'interno di uno spazio sollevato $Z$. Questo encoder, $\Phi(x, \xi)$, assicura che le rappresentazioni latenti per diversi ambienti siano geometricamente separate, aderendo alla struttura del fascio $\pi: Z \to E$.

2. Backbone di Koopman condizionato dall'ambiente:
   Lo stato latente viene ulteriormente sollevato in uno spazio osservabile $\psi$ tramite $\Psi(z)$. La dinamica è modellata come:
   $$\dot{\psi} = K(\xi)\psi + B(\xi)u + r_\theta(\psi, u, \xi)$$
   Qui, $K(\xi)$ e $B(\xi)$ sono matrici condizionate dall'ambiente $\xi$ (generate da piccole teste MLP). Fondamentalmente, $K(\xi)$ è parametrizzato per essere Hurwitz per costruzione utilizzando una decomposizione di tipo Persidskii:
   $$K(\xi) = -\frac{1}{2}Q(\xi)^\top Q(\xi) + S(\xi)$$
   dove $S(\xi)$ è antisimmetrica. Ciò garantisce che la parte simmetrica di $K(\xi)$ sia negativa semi-definita, garantendo la contrazione verso la soluzione nominale.

3. Correzione mediante Neural ODE residua:
   Un termine residuo $r_\theta$ corregge l'approssimazione lineare. Il suo Jacobiano è vincolato per soddisfare un limite di settore quadratico, assicurando che la non linearità non violi le condizioni di stabilità.

Certificazione della Stabilità e Addestramento
Il framework impiega una regolarizzazione ISS basata su Lyapunov. Un candidato Lyapunov quadratico $V(\psi) = \psi^\top P \psi$ viene appreso congiuntamente al modello. L'obiettivo di addestramento include un termine di penalità ($L_{ISS}$) che impone una condizione di decrescita di Lyapunov:
$$\dot{V} \leq -\alpha V + \gamma |w|^2$$
Questa condizione è formulata come una Disuguaglianza Matriciale Lineare (LMI) che coinvolge i parametri appresi $P$, il guadagno $\gamma$ e il moltiplicatore di settore $\lambda$. A differenza della verifica post-hoc, questa LMI fa parte della perdita di addestramento differenziabile, guidando l'ottimizzatore a minimizzare il guadagno ISS $\gamma$ pur soddisfacendo i vincoli di stabilità. La perdita totale combina l'errore di predizione, la regolarizzazione ISS, l'errore di ricostruzione e le penalità delle Funzioni di Barriera di Controllo (CBF).

Contributi Chiave

1. Lifting di Koopman consapevole del fascio: Un nuovo encoder che mappa gli stati in fibre specifiche per ambiente, separando i vincoli geometrici dall'evoluzione dinamica.
2. Regolarizzazione ISS basata su Lyapunov: Una funzione di perdita differenziabile che impone una condizione di decrescita quadratica durante l'addestramento, fornendo un guadagno ISS in forma chiusa al momento della convergenza.
3. Garanzie Teoriche:
   • Prova dell'invarianza della fibra per la mappa di coordinata del fascio.
   • Prova della stabilità ISS per la dinamica latente con una formula esplicita del guadagno.
   • Derivazione di un limite di errore di approssimazione che mette in relazione l'RMSE di predizione con il residuo della scomposizione dei modi dinamici estesi (EDMD).
4. Validazione Empirica: Test completi su quattro compiti benchmark (pendolo, cart-pole, navigazione di un uniciclo e un manipolatore a 7 gradi di libertà) che dimostrano prestazioni superiori rispetto alle basi esistenti.

Risultati Sperimentali
Gli esperimenti sono stati condotti su quattro compiti che coinvolgono variabili fisiche variabili (ad esempio, lunghezza della barra, massa, attrito, carico utile) e disturbi esterni. Il framework è stato confrontato con cinque baseline: Neural ODE (NODE) vanilla, Koopman-EDMD, Koopman+ISS (post-hoc), ControlSynth Neural ODE (CSODE) e ICODE.

• Accuratezza della Predizione: ISS-BKNO ha ottenuto il Root Mean Square Error (RMSE) più basso in tutti i compiti. In particolare, ha mostrato una riduzione del 58% dell'RMSE di predizione rispetto al vanilla Neural ODE.
• Robustezza: Sotto disturbi sinusoidali, ISS-BKNO ha mantenuto un inviluppo di errore limitato coerente con i limiti teorici, mentre i modelli senza certificati ISS espliciti (come NODE) hanno accumulato offset persistenti.
• Fattibilità della Stabilità: Il metodo ha raggiunto un tasso di fattibilità LMI del 100% durante i test. Al contrario, la baseline post-hoc Koopman+ISS ha fallito i controlli di fattibilità nel 6% degli episodi di test a causa di violazioni del raggio spettrale sotto cambiamenti distribuzionali.
• Generalizzazione: Il degrado delle prestazioni è stato più graduale vicino ai confini della distribuzione di addestramento, superando le baseline che mancavano di strutture di fascio esplicite.

Significato e Rivendicazioni
Il documento afferma che ISS-BKNO fornisce una soluzione unificata ai problemi disgiunti di stabilità, adattamento ambientale e gestione dei vincoli geometrici nella gestione dei dati. Integrando la geometria del fascio con un backbone di Koopman parametrizzato come Hurwitz e un regolarizzatore ISS differenziabile, il framework elimina la necessità di controlli di stabilità post-hoc. Gli autori sostengono che questo approccio permetta l'implementazione di controllori basati sull'apprendimento in contesti critici per la sicurezza, fornendo garanzie di convergenza globale e guadagni ISS computabili direttamente dal processo di addestramento. I risultati teorici legano direttamente l'accuratezza della predizione al residuo EDMD, offrendo un criterio principato per la selezione del dizionario.