Sintesi Tecnica: MPC Subottimale e a Ordine Ridotto tramite Separazione delle Scale Temporali

Definizione del Problema

Il Controllo Predittivo basato su Modello (MPC) affronta una sfida persistente nell'implementazione in tempo reale: la complessità computazionale derivante dalla risoluzione di problemi di controllo ottimo per sistemi ad alta dimensionalità o altamente non lineari entro stretti intervalli di campionamento. Sebbene l'aumento della potenza di calcolo abbia alleviato parte del carico, risolvere questi problemi verso l'ottimalità globale in tempo reale rimane impraticabile per molte applicazioni.

Per affrontare questo problema, nella pratica vengono spesso impiegate due strategie comuni:

1. Riduzione dell'Ordine del Modello: Utilizzo di modelli semplificati che trascurano determinate dinamiche (ad esempio, dinamiche veloci non modellate o stati di compensatori a basso livello) per ridurre la dimensionalità del problema di ottimizzazione.
2. Approcci Subottimali: Calcolo di una soluzione approssimativa del problema di controllo ottimo entro un numero finito di iterazioni, piuttosto che attendere la convergenza all'ottimo esatto.

Tuttavia, analizzare rigorosamente la stabilità e la fattibilità di un sistema a ciclo chiuso che combina entrambe le strategie è difficile. L'interazione tra errori di ottimizzazione (dovuti alla subottimalità) e disallineamento del modello (dovuto alla riduzione dell'ordine del modello) può destabilizzare il sistema. La letteratura esistente tratta spesso queste strategie separatamente o si affida a formulazioni in tempo discreto che non tengono esplicitamente conto della natura in tempo continuo del sistema fisico e del ruolo del tempo di campionamento.

Metodologia: Il Framework SMART-MPC

Gli autori propongono un framework generalizzato denominato SuboptiMAl and Reduced-order Tunable MPC (SMART-MPC). Questo framework integra l'ottimizzazione subottimale e la modellazione a ordine ridotto all'interno di un'analisi di stabilità rigorosa basata sulla separazione delle scale temporali.

Modellazione del Sistema

Il sistema fisico è modellato come un sistema non lineare interconnesso in tempo continuo composto da:

• Dinamiche Target ($x_c$): Gli stati primari di interesse che entrano nella funzione di costo.
• Dinamiche Extra ($\xi_c$): Stati ausiliari che rappresentano dinamiche non modellate o compensatori a basso livello (ad esempio, dinamiche elettriche in un motore). Si assume che siano veloci ed esponenzialmente stabili, convergendo a un manifold di equilibrio $\xi_{eq}(x_c, u_c)$ quando lo stato target e l'ingresso sono fissi.
• Parametro Tunabile ($\epsilon$): Un parametro che scala la costante di tempo delle dinamiche extra, permettendo un'accelerazione arbitraria di queste dinamiche veloci.

Il sistema viene discretizzato con un tempo di campionamento $\delta$, che è trattato non solo come un parametro fisso, ma come una variabile di progettazione regolabile.

L'Architettura di Controllo

L'algoritmo SMART-MPC opera come segue:

1. Modello a Ordine Ridotto: L'ottimizzatore MPC utilizza un modello a ordine ridotto derivato dal vincolo delle dinamiche extra al loro manifold di equilibrio ($\xi_c = \xi_{eq}(x_c, u_c)$). Ciò elimina gli stati veloci dalle variabili di ottimizzazione.
2. Ottimizzazione Subottimale: Ad ogni istante di campionamento, il problema di controllo ottimo a orizzonte finito viene risolto in modo subottimale. L'ottimizzatore esegue un algoritmo generico (ad esempio, Sequential Quadratic Programming) per un numero finito di iterazioni, aggiornando uno stato interno dell'ottimizzatore $z_t$.
3. Interconnessione a Ciclo Chiuso: Il sistema fisico a pieno ordine (inclusi le dinamiche extra veloci) è interconnesso con l'ottimizzatore iterativo. L'ingresso di controllo è applicato al sistema completo, mentre l'ottimizzatore "vede" solo il modello ridotto.

Analisi Teorica

Il nucleo della metodologia si basa sulla teoria delle perturbazioni singolari e sulla separazione delle scale temporali. Gli autori analizzano il sistema a ciclo chiuso scomponendolo in:

• Sottosistema Veloce (Boundary Layer): Le dinamiche degli stati extra e dello stato dell'ottimizzatore, assumendo che gli stati target siano fissi.
• Sottosistema Lento (Sistema Ridotto): Le dinamiche degli stati target, assumendo che gli stati extra e l'ottimizzatore siano sui rispettivi manifold di equilibrio.

Trattando il tempo di campionamento $\delta$ come un parametro regolabile, gli autori dimostrano che se $\delta$ è sufficientemente piccolo (e le dinamiche extra sono sufficientemente veloci rispetto alla frequenza di campionamento, ovvero $\epsilon = r\delta$), il sistema a ciclo chiuso si comporta come un sistema stabile a due scale temporali.

Contributi Chiave

1. Framework Unificato: Il documento fornisce una prospettiva metodologica rigorosa che gestisce simultaneamente l'ottimizzazione subottimale e la riduzione dell'ordine del modello, una combinazione spesso usata in modo euristico nella pratica ma raramente analizzata congiuntamente.
2. Tempo di Campionamento come Parametro di Progettazione: A differenza dei lavori precedenti che trattano il tempo di campionamento come fisso, questo framework analizza esplicitamente il ruolo di $\delta$. Dimostra che operare a una frequenza di campionamento sufficientemente elevata è la chiave per garantire la stabilità nonostante l'uso di modelli ridotti e soluzioni subottimali.
3. Garanzie Formali: Gli autori dimostrano che, sotto specifiche condizioni ( $\delta$ sufficientemente piccolo e appropriata regolazione di $\epsilon$), il sistema a ciclo chiuso raggiunge:
   • Fattibilità Ricorsiva: Il problema di ottimizzazione rimane fattibile ad ogni passo.
   • Stabilità Esponenziale: Il sistema converge esponenzialmente verso un punto di equilibrio dove le dinamiche target raggiungono il setpoint desiderato, lo stato dell'ottimizzatore si allinea con la sequenza di ingresso ottimale e le dinamiche extra risiedono sul loro manifold di equilibrio.
4. Fondazione in Tempo Continuo: L'analisi è derivata direttamente dalle dinamiche in tempo continuo, colmando il divario tra la realtà fisica e l'implementazione MPC in tempo discreto, offrendo una base più rigorosa rispetto alle analisi puramente in tempo discreto.

Risultati e Validazione

I risultati teorici sono validati attraverso esperimenti virtuali su un braccio robotico a due link sottovettorato (PenduBot) pilotato da un motore DC, simulato nell'engine fisico ad alta fedeltà MuJoCo.

• Configurazione Sperimentale: L'ottimizzatore MPC utilizza un modello a ordine ridotto che trascura le dinamiche elettriche (corrente d'armatura) del motore, affidandosi invece alle dinamiche meccaniche. L'ottimizzazione viene eseguita utilizzando una singola iterazione di un metodo Sequential Quadratic Programming (SQP) per ogni istante di campionamento (Real-Time Iteration).
• Prestazioni con Campionamento Rapido: Quando il tempo di campionamento $\delta$ è piccolo (0.005 s) e le dinamiche elettriche sono veloci rispetto al campionamento (piccolo $\epsilon$), le prestazioni di SMART-MPC corrispondono a quelle di due benchmark ideali: (1) MPC subottimale con predizione esatta (full-order) e (2) MPC ottimo con predizione esatta. Il sistema esegue con successo una manovra di swing-up verso l'equilibrio verticale.
• Degradazione delle Prestazioni: Quando la frequenza di campionamento viene rallentata (0.07 s) o la separazione delle scale temporali è ridotta (maggiore induttanza $L$), le prestazioni degradano, mostrando oscillazioni e potenziali fallimenti di convergenza. Ciò conferma la necessità teorica di una sufficiente separazione delle scale temporali.
• Robustezza: Un'analisi Monte Carlo con condizioni iniziali casuali dimostra che l'approccio mantiene la stabilità e riesce a stabilizzare il robot in tutti i test sotto il regime di campionamento rapido.

Significato e Rivendicazioni

Il documento afferma che il framework proposto SMART-MPC offre una soluzione teoricamente fondata per l'impiego di MPC su sistemi complessi e ad alta dimensionalità dove le risorse computazionali sono limitate. Sfruttando la separazione delle scale temporali, gli autori dimostrano che è possibile:

• Trascurare dinamiche veloci non modellate senza sacrificare la stabilità.
• Utilizzare soluzioni subottimali per ridurre il carico computazionale senza compromettere la fattibilità ricorsiva.
• Garantire la stabilità esponenziale e la fattibilità ricorsiva attraverso la corretta regolazione del tempo di campionamento.

Gli autori sottolineano che il loro lavoro estende le versioni preliminari precedenti fornendo dimostrazioni rigorose che partono dalle dinamiche in tempo continuo e caratterizzando esplicitamente il ruolo del tempo di campionamento. La validazione su una configurazione robotica impegnativa in un simulatore ad alta fedeltà suggerisce la fattibilità pratica dell'approccio per applicazioni reali che coinvolgono sistemi meccanici ed elettrici interconnessi.