技術概要：環境制約下でのロバスト制御のための安定ファイバー・クープマン残差ダイナミクス

1. 問題定義

ロボティクスおよび制御における学習ベースのダイナミクスモデルは、表現力と形式的保証の間の根本的なトレードオフに直面している。より豊かなモデルクラス（例えば、深層ニューラルネットワーク）は予測精度を向上させるが、その安定性特性はしばしば経験的にしか検証されない。一方、クープマン作用素法のような線形近似は、スペクトル解析と形式的な安定性ツールを提供するが、不完全な有限次元近似に悩まされており、リフティング残差が動作範囲とともに成長し、モデルを不安定化させる可能性がある。

さらに、現実世界のシステムは、有効なダイナミクスを変化させるさまざまな環境条件（例えば、路面摩擦、風速）の下で動作する。既存の手法はこの連続性を捉えることに苦労している：

• クープマン手法は、有限次元近似に対する入力 - 状態安定性（ISS）の特性評価を欠くことが多い。
• 残差学習（例：ICODE-MPPI）は精度を向上させるが、安定性を完全に通常モデルに委ねており、それは通常、局所的にしか有効ではない。
• 環境条件付きモデル（例：ICODE、測定誘起バンドル）は汎化能力を向上させるが、厳密な閉ループ ISS 保証と組み合わされた例はない。

ここで扱われる核心的な問題は、環境を認識した幾何学的整合性、潜在空間の安定性認証、および有界な残差摂動伝播を同時に保証する統合フレームワークの欠如である。

2. 手法：安定ファイバー・クープマン残差ダイナミクス（SFKD）

本論文は、ファイバー束幾何学、環境条件付きクープマン進化、および収束正則化残差を統合した統合フレームワークであるSFKDを提案する。

A. ファイバー束潜在構造

環境依存性は、ファイバー束 $\pi: \mathcal{M} \to \mathcal{E}$ によって形式化される。ここで、全空間 $\mathcal{M}$ は潜在多様体であり、各ファイバー $\mathcal{F}_e$ は特定の環境 $e$ に対するダイナミクスをサポートする。

• エンコーダ：共有埋め込みネットワーク $\psi(e)$ がエンコーダ $\Phi(x, e)$ を条件付けし、物理状態を環境固有のファイバーにマッピングする。これにより、異なる環境に対する潜在表現の幾何学的分離が保証される。
• 輸送：学習された水平輸送マップが、環境が切り替わった際のファイバー間の遷移を処理する。

B. 環境条件付きクープマンダイナミクス

潜在ダイナミクスは以下のようにモデル化される：
$$\hat{z}_{k+1} = A(e_k)\hat{z}_k + B(e_k)u_k + r_\theta(\hat{z}_k, u_k, e_k)$$

• 線形バックボーン：演算子 $(A(e), B(e))$ は、正則化最小二乗法によって学習される環境条件付き線形演算子である。
• スペクトル制約：安定性を確保するため、クープマン行列のスペクトルノルムが制約される：$\|A(e)\|_2 \leq 1 - \beta - \epsilon_0$。これは、微分可能なスペクトル正規化層によって強制される。

C. 収束規制残差

残差項 $r_\theta$（ニューラルネットワーク）は、モデル化されていない非線形性を捉える。

• 収束ペナルティ：残差はヤコビアン収束ペナルティを用いて訓練される：$L_{contr} = \max(0, \|\frac{\partial r_\theta}{\partial z}\|_2 - \beta)^2$。
• 安定性予算：パラメータ $\beta$ は、非線形補正に割り当てられる「安定性予算」として機能し、クープマンバックボーンは支配的な線形構造を処理する。

D. 理論的安定性保証（ISS）

本論文は、潜在誤差ダイナミクスに対する**入力 - 状態安定性（ISS）**を確立する。

• 条件：すべての $e \in \mathcal{E}$ に対して $\alpha := \|A(e)\|_2 + \beta < 1$ である場合、システムは ISS である。
• 結果：潜在推定誤差 $\|e^z_k\|$ は、初期誤差に依存する減衰項と、モデル化されていない擾乱の大きさ $\bar{d}$ および安定性マージン $(1-\alpha)$ に依存する有限の最終限界によって有界となる。
• 追跡限界：モデル予測経路積分（MPPI）コントローラに埋め込まれた場合、物理的な追跡誤差は、コントローラの通常精度とモデルの安定性によって誘起される誤差限界の和によって有界となる。

3. 主要な貢献

1. アーキテクチャ：環境固有の線形演算子が個々のファイバー多様体上で学習される、ファイバー条件付きクープマン潜在ダイナミクスアーキテクチャの導入。
2. 理論：複合クープマン - 残差ダイナミクスに対する解析的 ISS 条件の導出と、持続的擾乱下での推定誤差の有限最終限界の証明。
3. 制御：認証済み SFKD 予測器を使用したロバスト MPPI コントローラの開発と、閉ループ追跡誤差の確立された限界。
4. 検証：3 つの環境シナリオにわたる 5 つのベースラインに対する自律車両経路追跡ベンチマークにおける包括的な検証。

4. 実験結果

実験は、タイヤ摩擦（$\mu \in [0.3, 0.9]$）と風擾乱が変化する高忠実度車両シミュレーションで行われた。シナリオには、均一な道路、急激な摩擦低下、および多環境切り替えが含まれていた。

パフォーマンス指標（最良のベースラインとの比較）：

• 追跡精度：SFKD は、多環境切り替えシナリオにおいて、最良のベースライン（ICODE-MPPI）と比較して追跡 RMSE を 31% 削減した。
• 制御の滑らかさ：制御の滑らかさ（平均絶対操舵速度）において44% の改善が観察された。
• 安定性：SFKD は、すべての擾乱大きさにおいてほぼゼロの潜在安定性違反率（0.03）を維持したが、認証されていないベースラインは最大 0.43 の違反率を示した。
• 回復：環境切り替えシナリオにおいて、SFKD は 1〜2 時間ステップ以内に回復したが、ベースラインは prolonged な過渡スパイクを示した。

アブレーション研究：

• ファイバー構造を除去する（SFKD−Fiber）と、切り替えシナリオにおいて RMSE が 12% 増加し、環境固有の適応の必要性が確認された。
• 収束正則化を除去する（SFKD−Contr）と、安定性違反率が 0.03 から 0.31 に増加し、安定性証明の決定的な役割が浮き彫りになった。

5. 意義と主張

本論文は、SFKD が幾何学的環境条件付けと厳密な閉ループ安定性保証の間のギャップを埋めると主張している。ダイナミクスをスペクトルノルム制約付きクープマンバックボーンと収束制約付き残差に分解することで、このフレームワークは、訓練中に微分可能であり、事後検証可能である単純な代数条件（$\|A(e)\|_2 + \beta < 1$）を強制する。

その意義は、システムレベルのパフォーマンス仕様に至る原理的な道筋を提供することにある。導出された追跡誤差限界は、総誤差をコントローラ性能とモデル安定性コンポーネントに明示的に分解し、設計者がモデルの複雑さと安定性マージンの間でトレードオフを行えるようにする。結果は、このアプローチが、安定性または固定クープマン近似のみに依存する手法と比較して、環境切り替えシナリオにおいて優れた汎化能力をもたらすことを示しており、ロバスト制御に必要な形式的保証を犠牲にしていないことを実証している。