Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

論文要約：遅延入力およびサンプリング測定下における非線形制御のためのニューラル・オペレーター・予測器

1. 問題設定 (Problem Statement)

現代の制御システムでは、入力遅延（通信遅延や計算遅延など）と、センサーや通信帯域の制限による離散的な状態測定（サンプリング）が頻繁に発生します。

• 遅延補償の課題: 入力遅延を補償する標準的な手法として「予測フィードバック（Predictor Feedback）」が知られていますが、従来の実装では非線形システムにおいて暗黙的な常微分方程式（ODE）をオンラインで解く必要があり、計算コストが非常に高く、実用的ではありません。
• 測定データの制約: 既存のニューラル・オペレーターを用いた予測器の研究の多くは、状態測定が「連続的に利用可能」であることを前提としています。しかし、実際には測定は離散的であり、不規則な間隔や一時的な欠落（ハードウェア障害など）が発生し得ます。
• 本研究の目的: 入力遅延と離散的な状態測定（サンプリング）の両方に対処し、計算効率を維持しながら安定性を保証する、ニューラル・オペレーターに基づく予測フィードバック制御系の開発。

2. 手法とアプローチ (Methodology)

本研究では、非線形システムに対して、サンプリング間隔の特性に応じた 2 つの異なるニューラル・オペレーター・予測器設計を提案しています。システムは入力遅延 $D$ を持ち、状態 $X(t)$ は時刻 $\{T_i\}$ で離散的に観測されます。

提案手法の 2 つのケース:

1. ケース 1: サンプリング・ホライズン予測オペレーター（一様サンプリング用）

   • 概要: 現在の測定値と入力履歴から、次のサンプリング区間全体にわたる予測状態軌道そのものを直接マッピングするニューラル・オペレーター $\hat{M}$ を学習・実装します。
   • 特徴: サンプリング間隔が一定（$T_{i+1} - T_i = h$）であることを前提とします。
   • 利点: 区間内の状態推定を一度の推論で得られるため、計算が単純です。

2. ケース 2: 予測器近似と連続流の結合（非一様サンプリング用）

   • 概要: 遅延区間 $[-D, 0]$ における予測器（初期条件生成部）のみをニューラル・オペレーター $\hat{P}$ で近似し、その出力を初期条件として、サンプリング区間内のシステムダイナミクス（連続 ODE）をオンラインで数値積分します。
   • 特徴: サンプリング間隔が不規則であっても、その最大値が有界であれば対応可能です（$T_{i+1} - T_i \le h$）。
   • トレードオフ: サンプリングの柔軟性が高い反面、サンプリング区間内で誤差が連続的に増幅されるため、より高精度な予測器近似が必要です。

理論的基盤:

• 予測器オペレーターとサンプリング・ホライズン・フロー・オペレーターがリプシッツ連続性を持つことを示し、これらを合成した全予測オペレーターも連続であることを証明しました。
• これに基づき、任意の精度 $\epsilon$ でこれらのオペレーターを近似するニューラル・オペレーター（例：Fourier Neural Operator）の存在を保証しています。

3. 主要な貢献 (Key Contributions)

1. サンプリング測定下での予測フィードバックの定式化: 連続測定を仮定しない、離散的かつ不規則なサンプリングに対応する予測フィードバック制御則を提案しました。
2. 2 種類の設計とトレードオフの明確化:
   • 一様サンプリングを許容する「直接予測（Case 1）」と、非一様サンプリングを許容する「予測器＋積分（Case 2）」の 2 方式を提案。
   • 両者の安定性解析を通じて、「サンプリングの柔軟性」と「近似誤差に対する感度（安定性マージン）」の間の実用的なトレードオフを明らかにしました。
3. 半大域的実用的安定性の証明: リャプノフ解析を用いて、ニューラル・オペレーターの近似誤差 $\epsilon$ に依存する残留誤差境界を持つ半大域的実用的安定性（Semi-global Practical Stability）を証明しました。
   • Case 1: 残留誤差は近似誤差 $\epsilon$ に比例。
   • Case 2: 残留誤差は、サンプリング間隔とシステムダイナミクスに依存する増幅係数 $e^{C_f(1+C_\kappa)h}$ を乗じた形で評価されます。

4. 数値結果 (Numerical Results)

• 対象システム: 6 自由度の非線形ロボットマニピュレーター（xArm6）。状態空間は位置・速度合わせて 12 次元、入力遅延 $D=0.2$秒。
• 実験設定: ガウシアンノイズを含むサンプリング測定下で、正弦波軌道追従タスクを実施。
• 比較対象:
  1. 提案手法 Case 1（ニューラル・オペレーターによる直接予測）。
  2. 提案手法 Case 2（ニューラル・オペレーターによる予測器＋数値積分）。
  3. ベースライン（数値積分による従来の予測器）。
• 結果:
  • 追従性能: 3 つの手法すべてで目標軌道の追従に成功しました。
  • 計算速度: GPU 加速（Nvidia 4070）を用いた場合、ニューラル・オペレーターによる推論は約 1ms でした。一方、従来の数値予測器（許容誤差 $10^{-6}$）は約 25ms を要しました。つまり、25 倍の高速化を達成しました。
  • 誤差挙動: 測定値のリセット（サンプリング時）が予測誤差に直接影響を与えることが確認されましたが、提案手法は安定して動作しました。

5. 意義と結論 (Significance and Conclusion)

本研究は、実世界の制御システムが直面する「入力遅延」と「離散的・不規則な測定」という 2 つの現実的な制約を同時に解決する新しい制御アーキテクチャを提示しました。

• 実用性: 従来の数値積分ベースの予測器に比べて計算コストが劇的に低下し、リアルタイム制御への適用可能性が高まりました。
• 設計指針: 制御エンジニアに対して、サンプリング条件（一様か非一様か）に応じて、必要な予測器の精度と許容される安定性マージンのバランスを考慮する設計指針を提供しています。
• 理論的裏付け: 単なるデータ駆動アプローチではなく、近似誤差に対して厳密な安定性保証（半大域的実用的安定性）を与えている点が重要です。

結論として、ニューラル・オペレーターは、遅延非線形システムにおける予測フィードバック制御の実用的かつ効率的な実装手段として極めて有効であることが示されました。