Sintesi Tecnica: Progettazione di Esperimenti per l'Identificazione con Appartenenza a Insiemi (Set-membership)

Definizione del Problema

Questo articolo affronta il problema della progettazione di esperimenti offline per l'identificazione con appartenenza a insiemi di sistemi lineari tempo-invarianti (LTI) ignoti. L'obiettivo è progettare un segnale di ingresso $u[0, T-1]$ tale che i dati di ingresso-stato (o ingresso-uscita) risultanti, raccolti su un orizzonte finito, siano sufficientemente informativi da identificare i parametri del sistema con una desiderata accuratezza.

Lo studio opera sotto due distinti regimi di rumore:

1. Senza rumore ($\varepsilon = 0$): L'obiettivo è l'identificazione esatta, dove i dati devono determinare univocamente i veri parametri del sistema.
2. Con rumore ($\varepsilon > 0$): L'obiettivo è l'identificazione con accuratezza $\rho$, dove i dati devono vincolare l'insieme dei sistemi possibili a un insieme limitato con un raggio di Chebyshev (errore nel caso peggiore) minore o uguale a una tolleranza prescritta $\rho$.

La sfida centrale è che il vero sistema è ignoto. Pertanto, la progettazione deve fare affidamento sulla conoscenza a priori ($\Sigma_{pk}$), ovvero un insieme di sistemi coerenti con le informazioni disponibili (ad esempio, limiti sui parametri, vincoli strutturali o proprietà di controllabilità). Il documento introduce il concetto di input universali: un segnale di ingresso è universale se, quando applicato a qualsiasi sistema all'interno dell'insieme della conoscenza a priori $\Sigma_{pk}$, genera dati idonei per l'obiettivo di identificazione desiderato.

Metodologia

Gli autori sviluppano un framework basato sulla informatività dei dati e sull'universalità dell'input, sfruttando i principi dell'identificazione con appartenenza a insiemi.

1. Informatività dei Dati e Input Universali

• Informatività dei Dati: Un dataset $D$ è $\Sigma_{pk}$-informativo per un'accuratezza $\rho$ se l'intersezione tra l'insieme dei sistemi coerenti con i dati $\Sigma_D$ e la conoscenza a priori $\Sigma_{pk}$ ha un raggio di Chebyshev $\le \rho$.
• Input Universali: Un input $u[0, T-1]$ è $\Sigma_{pk}$-universale se, per ogni sistema $(A, B) \in \Sigma_{pk}$, tutti i possibili dataset generati da quel sistema sotto l'input sono $\Sigma_{pk}$-informativi.

2. Analisi Senza Rumore

In assenza di rumore, gli autori analizzano le condizioni sotto le quali esistono input universali e la loro relazione con la persistenza di eccitazione (PE).

• Conoscenza a Priori Aperta: Per insiemi di conoscenza a priori aperti contenuti nell'insieme dei sistemi controllabili ($\Sigma_{cont}$), il documento stabilisce che gli input universali sono equivalenti a input che sono persistentemente eccitanti di ordine $n+1$ (dove $n$ è la dimensione dello stato).
• Conoscenza a Priori Generale: Gli autori derivano condizioni sufficienti (Teoremi 9 e 14) per la universalità che dipendono dalla specifica struttura di $\Sigma_{pk}$. Queste condizioni utilizzano il polinomio minimo della matrice di sistema $A$ e specifiche costruzioni matriciali ($M_{A,B}$, $D_A$).
• Insight Chiave: Per certe conoscenze a priori strutturate (ad esempio, specifici limiti di norma o gradi del polinomio minimo), gli input universali possono essere progettati con una lunghezza $T$ significativamente più breve dei $nm+n+m$ campioni richiesti dalla PE standard. In alcuni casi, si dimostra che anche input che non sono persistentemente eccitanti (ad esempio, input "hands-off" con valori nulli su ampi intervalli) sono universali.

3. Analisi Con Rumore

In presenza di rumore limitato in $\ell_\infty$, l'analisi si sposta sulla limitazione dell'errore di identificazione.

• Accuratezza $\rho$: Il documento fornisce condizioni (Teorema 21) che garantiscono che l'errore nel caso peggiore sia limitato da $\rho$. Ciò comporta l'assicurazione che il valore singolare minimo di una specifica matrice dipendente dai dati sia sufficientemente grande rispetto al livello di rumore $\varepsilon$.
• Condizioni di Fattibilità: Gli autori mostrano che la progettazione di esperimenti universali per l'accuratezza $\rho$ è fattibile se l'insieme della conoscenza a priori è limitato e soddisfa una misura di controllabilità $\gamma_{pk} > 0$. Propongono inoltre una strategia di partizionamento (Teorema 24) per gestire i casi in cui la condizione non può essere soddisfatta per l'intero set $\Sigma_{pk}$ ma lo è per un sottoinsieme, a condizione che il sottoinsieme rimanente abbia un raggio intrinseco ridotto.
• Identificazione Esatta con Rumore: Il documento prova che l'identificazione esatta ($\rho=0$) in presenza di rumore è fattibile solo se l'insieme della conoscenza a priori è uniformemente discreto (Teoremi 29, 30). Ciò significa che sistemi distinti nel set a priori devono essere separati da una distanza minima, una condizione spesso soddisfatta in sistemi con parametri interi.

4. Estensione ai Dati Ingresso-Uscita

Il framework viene esteso ai sistemi ARX (modelli ingresso-uscita) riformulandoli in rappresentazioni spazio-stato. Ciò consente l'applicazione dei risultati derivati per l'ingresso-stato agli scenari di dati ingresso-uscita.

Contributi Principali

1. Framework per Input Universali: Viene sviluppato un nuovo framework per studiare la progettazione di esperimenti offline incorporando esplicitamente la conoscenza a priori generale, andando oltre i limiti delle assunzioni basate solo sulla controllabilità.
2. Caratterizzazione di Universalità vs. PE:
   • Per sistemi a singolo ingresso con conoscenza a priori aperta, la universalità è mostrata essere equivalente alla persistenza di eccitazione di ordine $n+1$.
   • Per sistemi a multi-ingresso e strutture specifiche di conoscenza a priori, il documento dimostra che esistono input universali che non sono persistentemente eccitanti di ordine $n+1$, riducendo così la dimensione del campione richiesta (ad esempio, da $nm+n+m$a$2n+m$ o addirittura $k+1$).
3. Progettazione Robusta al Rumore: Vengono fornite condizioni sufficienti per progettare input che garantiscano l'identificazione entro un limite di errore $\rho$ prestabilito in contesti rumorosi.
4. Identificazione Esatta con Rumore: Si stabilisce che l'identificazione esatta in presenza di rumore è fattibile se e solo se l'insieme della conoscenza a priori è uniformemente discreto, fornendo un metodo di progettazione per tali casi.
5. Input "Hands-off": La metodologia consente la progettazione di input "hands-off" (segnali con intervalli di zero significativi), che sono praticamente preziosi in applicazioni critiche per la sicurezza o con risorse limitate.

Risultati ed Esempi

• Limiti Teorici: Il documento deriva limiti inferiori sul numero di campioni $T$ richiesti per l'identificazione universale. Ad esempio, sotto una specifica conoscenza a priori, $T \ge 2n+m$ è sufficiente, migliorando il valore standard di $T \ge nm+n+m$.
• Esempio 1 (Moto Orbitale): Viene utilizzato un modello di moto relativo di un veicolo spaziale per dimostrare che un input a due impulsi (zero per la maggior parte dell'orizzonte) è $\Sigma_{pk}$-universale per identificare il tasso orbitale e la massa, mentre la PE standard richiederebbe un'eccitazione continua molto più lunga.
• Esempio 2 (Rete di Sistemi): Viene considerato un network di 1000 sistemi identici. I risultati mostrano come progettare un input universale per l'identificazione con accuratezza $\rho$ in un contesto ad alta dimensionalità con rumore, utilizzando la struttura della rete per ridurre la complessità.

Significato

Il documento sostiene che i suoi risultati generalizzano l'approccio di progettazione sperimentale basato sul lemma fondamentale di Willems et al. Mentre il lemma fondamentale si basa sulla persistenza di eccitazione ed è limitato alla conoscenza a priori riguardante la controllabilità, questo lavoro accoglie la conoscenza a priori generale.

La rilevanza risiede nella scoperta che, per molti scenari pratici in cui è disponibile una conoscenza a priori (ad esempio, limiti sui parametri, vincoli strutturali o set di parametri discreti), gli input persistentemente eccitanti non sono necessari. I metodi proposti possono fornire progettazioni sperimentali efficienti dal punto di vista del campionamento che superano gli approcci esistenti. Ciò è particolarmente rilevante per applicazioni in cui l'applicazione di input persistentemente eccitanti è impraticabile a causa di:

• Considerazioni sulla sicurezza.
• Vincoli fisici.
• Risorse limitate (ad esempio, in sistemi chimici/biologici, contesti clinici, reti su larga scala e sistemi aerospaziali).

Fornendo le condizioni sotto le quali sono sufficienti input più brevi, strutturati o "hands-off", il documento offre un approccio più flessibile ed efficiente all'identificazione dei sistemi in ambienti vincolati.