Excitation of control-affine systems and Koopman error bounds

技術要約：制御アフィン系の励起とKoopman誤差界

問題設定
本論文は、拡張ダイナミックモード分解（EDMD）を介した、Koopman作用素の枠組みによる制御アフィン力学系のデータからの同定における課題に対処している。EDMDのようなデータ駆動型手法は複雑なシステムのモデリングにおいて強力であるが、制御アフィン系（双線形サロゲートモデルをもたらす）への拡張は、多大なデータ量を必要とする。特定された核心的な問題は、システム同定プロセスの精度と堅牢性が、入力データの質に強く依存することである。具体的には、これらのモデルの近似誤差界は、入力データ行列の最小特異値（$\sigma_{\min}$）に反比例する。入力が十分に「励起」されていない場合（すなわち、入力が不適切に分布しているか、相関がある場合）、$\sigma_{\min}$は小さくなり、結果として誤差界が大きくなり、制御性能が信頼できなくなる。本論文は、この特異値を最大化するための入力選択の指針を確立し、それによって堅牢な同定と信頼できる制御誤差界を確保することを目的としている。

手法
著者らは、制御アフィン写像 $y = g_0(x) + G(x)u$ を推定するために使用される回帰問題を中心としたフレームワークを開発している。手法は以下のいくつかの解析的ステップを経て進行する：

1. 誤差界解析： 本論文はまず、システムパラメータ（$g_0$ および $G$）の推定誤差が、1の行と入力ベクトルからなるデータ行列 $V$ の擾乱の大きさと $\sigma_{\min}(V)$ の比によって抑えられることを確立する。
2. 最適条件： 著者らは $\sigma_{\min}(V)$ を最大化するための必要十分条件を導出している。
   • 必要条件は、入力ベクトルの総和がゼロであること（$U\mathbf{1} = 0$）である。
   • この条件下では、入力を適切にスケーリングすることで、最小特異値の理論的上界を達成することができる。
   • 特定の最適構成が特定されている：直交入力（系3.3）および正則単体の頂点を形成する入力（命題3.5）。
3. 部分空間角と逐次的収集： 実用的なアプリケーションでは、すべての入力を事前設計するのではなく、逐次的なデータ収集が行われることが多いことを認識し、著者らは部分空間角を用いた幾何学的アプローチを導入している。彼らは、新しい入力ベクトルと既存の入力によって張られる部分空間との間の角度に基づいた $\sigma_{\min}(V)$ の下界を導出している。これにより、ランダムな入力の集合が与えられた際に、部分空間角を最大化するように特定の追加入力を選択する（あるいは既存のものを置き換える）戦略が導かれる。これにより、最小特移値が最大化される。
4. Koopmanフレームワークへの統合： これらの理論的結果は、2つの特定のEDMD変種に適用される：
   • 制御付き双線形EDMD (EDMDc)： このフレームワークは柔軟なサンプリングを可能にする。データは、特定の事前定義された制御値（単位ベクトルなど）で収集される必要はなく、一般的なデータのクラスターから推論することができる。
   • カーネルEDMD： 著者らは、カーネルベースの手法に対する既存の誤差界を制御アフィン設定へと拡張し、データ駆動型モデル予測制御（MPC）に必要な仮定を厳密に検証する一様誤差界を提供している。

主な貢献

• データ適合フレームワーク： 入力の選択と識別問題の堅牢性マージンを明示的に結びつける、制御アフィン写像を適合させるための新しいフレームワーク。
• 最適条件： データ行列の最小特異値を最大化するための、入力の最適性に関する必要十分条件の導出（直交入力および単体ベースの入力の明示的な構成を含む）。
• 逐次的データのための幾何学的指針： 逐次的またはオンライン学習のシナリオにおいて、条件付けを改善するために追加の入力を選択するための、部分空間角を用いた実用的な指針。
• 一様誤差界： 制御アフィン構造が存在する場合の、双線形EDMDcおよびカーネルEDMDの一様誤差界の導出。これらの界は、状態空間の充填距離（fill distance）と入力データの条件付けに依存する。
• 柔軟なサンプリング： 一般的な柔軟なデータ収集から、人工的なデータポイント（例：単位ベクトル入力への応答）を構築する方法。これにより、制限の厳しいサンプリング要件を取り除く。

結果
論文は、以下の2つの適用シナリオを通じて提案手法を検証している：

1. 自由浮遊剛体 (6D入力)： 本研究では、4つの励起戦略（ランダム入力、直交入力、単体の頂点、および部分空間角に基づく戦略）を比較している。結果として、ランダム入力は著しく低い $\sigma_{\min}$ と高い近似誤差を示す一方で、提案された戦略（特に部分空間角に基づくアプローチ）は $\sigma_{\min}$ を理論的最大値に近く達成し、ベクトル場の近似誤差を劇的に減少させる。
2. 非ホロノミック移動ロボット (2D入力)： 本フレームワークは、双線形EDMDcを用いた移動ロボットに適用されている。結果は、提案された励起戦略を使用することで（最小限のデータ点であっても）、ランダムサンプリングと比較して、Koopmanサロゲートモデルの1ステップ予測誤差が大幅に低くなることを示している。また、ランダムな入力の数を増やすことで誤差を軽減できることも示されているが、幾何学的に導かれた選択は、より少ないサンプルで高い精度を達成する。

意義
本論文は、その貢献が安全性が重視されるシステムにおけるデータ駆動型制御の信頼できる適用において重要であると主張している。入力選択に関する明示的かつ幾何学的に解釈可能な条件を提供することで、本研究は理論的なシステム同定と実用的なデータ収集の間の溝を埋めるものである。導出された誤差界は、モデル予測制御における漸近安定性などの閉ループ特性の形式的検証に不可欠である。さらに、柔軟なサンプリングを行う能力により、特定の事前定義された制御入力でのデータ収集が困難または不可能なシナリオにおいても、制御アフィン系の同定が可能となり、ロボティクスや車両力学などの実世界のエンジニアリング問題への適用を可能にしている。