Families of Control-Cost-Parametrized Inverse-Optimal Universal Stabilizers

Sintesi Tecnica: Famiglie di Stabilizzatori Universali con Parametrizzazione Costo-Controllo-Inversa

Enunciato del Problema
Il documento affronta un limite fondamentale nella stabilizzazione universale classica, nello specifico la formula di Sontag. Sebbene la formula di Sontag garantisca la stabilità asintotica globale per qualsiasi sistema che ammetta una Funzione di Lyapunov di Controllo (CLF), essa non offre libertà di progettazione al praticante; è un oggetto singolo, privo di parametri. Al contrario, la costruzione di Curtis–Beard fornisce una famiglia completa di controllori inversamente ottimali, ma si basa su due funzioni dipendenti dallo stato con effetti complessi e indiretti sui transitori a ciclo chiuso, rendendoli difficili da interpretare e regolare. Gli autori mirano a colmare questo divario introducendo una famiglia parametrizzata di leggi di feedback stabilizzanti che offra una esplicita libertà di progettazione, mantenendo al contempo rigorose garanzie di stabilità e ottimalità inversa.

Metodologia
Il framework proposto, denominato "half-direct-optimal" (semi-direttamente ottimale), inverte l'ordine tradizionale della progettazione inversamente ottimale. Invece di costruire un controllore e poi identificare un funzionale di costo che esso minimizza, il progettista prescrive innanzitutto una funzione scalare $\gamma(s)$ che rappresenta il costo corrente sul controllo di ingresso.

La metodologia procede attraverso una costruzione in tre fasi per mappare la funzione di costo scelta $\gamma$ in una funzione non lineare di "espansione" $\kappa$:

1. Differenziazione: Calcolare la derivata $\gamma'$.
2. Contrazione Algebrica: Definire una funzione "contrattore" $\Theta(s) = s - \gamma(s)/\gamma'(s)$.
3. Inversione: Definire l'espansore come l'inverso, $\kappa = \Theta^{-1}$.

Data una CLF $V(x)$ e una legge di feedback nominale (come la formula a norma minima di Freeman-Kokotovic o la formula half-Sontag), il feedback stabilizzante finale $u^*(x)$ è costruito applicando l'espansore $\kappa$ all'ampiezza del controllo nominale: $u^*(x) = \text{sgn}(u_0(x))\kappa(|u_0(x)|)$.

Per facilitare l'implementazione pratica, il documento stabilisce che la mappatura $\mathcal{K}: \gamma \mapsto \kappa$ è Lipschitz continua su sottoinsiemi compatti dello spazio di funzione pertinente. Questa regolarità permette all'intera famiglia di controllori di essere uniformemente approssimata da un singolo Neural Operator (specificamente un Fourier Neural Operator). Ciò consente l'esplorazione offline dello spazio di progettazione e l'adattamento online senza dover risolvere il problema di inversione infinito-dimensionale ad ogni passo temporale.

Contributi Chiave

1. Paradigma di Progettazione Half-Direct-Optimal: Il documento introduce una famiglia di stabilizzatori in cui la funzione di costo del controllo $\gamma$ è il parametro di progettazione primario. Ogni controllore in questa famiglia è dimostrato essere l'unico minimizzatore di un funzionale di costo a orizzonte infinito con il prescritto penalità di controllo $\gamma$ e un costo di stato indotto $q(x)$.
2. Lipschitzianità e Apprendibilità: Gli autori dimostrano che l'operatore che mappa il costo di controllo $\gamma$ nell'espansore $\kappa$ è Lipschitz. Questo risultato teorico garantisce che i neural operator possano approssimare la mappatura con un'accuratezza arbitraria, trasformando la costruzione teorica in uno strumento ingegneristico scalabile.
3. Stabilità e Quasi-Ottimalità sotto Approssimazione: Il documento stabilisce che, quando l'espansore è approssimato da un neural operator, la legge di feedback risultante preserva la stabilità asintotica pratica semiglobale (SPAS). Inoltre, quantifica la perdita di prestazione: la distorsione del costo di stato indotto è una perturbazione del secondo ordine ($O(\epsilon^2)$ rispetto all'errore di approssimazione $\epsilon$ del neural operator. Viene inoltre derivato un limite di ottimalità a orizzonte finito per misurare il divario di prestazione tra il controllore approssimato e quello esatto.

Risultati
I risultati teorici sono illustrati numericamente utilizzando un modello di dinamica di un uniciclo. Lo studio confronta tre controllori:

• Il controllore inversamente ottimale esatto (calcolato tramite bisezione).
• Il controllore approssimato dal neural operator.
• Il controllore half-Sontag nominale (costo quadratico).

I risultati numerici dimostrano che l'approssimazione del neural operator è visivamente indistinguibile dalla soluzione esatta nelle traiettorie a ciclo chiuso. Il controllore appreso riesce a guidare il sistema verso l'origine, preservando la stabilità. I risultati confermano che, mentre il design inversamente ottimale esatto produce transitori più aggressivi e una convergenza della CLF più rapida (a scapito di un maggiore sforzo di controllo), l'approssimazione neurale replica fedelmente la mappatura dell'espansore, validando la fattibilità dell'uso del machine learning per implementare questa famiglia parametrica in tempo reale.

Significatività
Il documento sostiene di trasformare il controllo universale da un risultato di esistenza teorica in uno strumento ingegneristico pratico. Consentendo al praticante di selezionare una funzione di costo $\gamma$ che codifica preferenze specifiche per l'aggressività o la cautela nel controllo, il framework fornisce un modo sistematico per modellare il comportamento transitorio. La natura "half-direct-optimal" della progettazione assicura che la modellazione delle prestazioni e l'ottimalità inversa non siano in tensione, ma siano proprietà intrinseche dello stesso oggetto. L'integrazione dei neural operator permette l'uso su "scala" di questi controllori, consentendo una massiccia esplorazione offline delle prestazioni e l'adattamento online, rendendo così l'eleganza teorica della stabilizzazione universale accessibile alle applicazioni pratiche.

Nota: Il documento nota esplicitamente che il problema duale — dove il costo di stato è arbitrario e il costo di controllo è indotto — è più semplice e fuori dall'ambito di questo lavoro. Il presente lavoro si concentra sul caso in cui il costo di controllo è l'input di progettazione.