Data-driven approximation of regions of attraction via an LP-based selection of PWA Lyapunov functions

技術的概要：LP ベースの PWA リャプノフ関数選択によるデータ駆動型収束領域近似

問題定式化
本論文は、未知のベクトル場 $\dot{x} = f(x)$ を持つ非線形力学系における安定性の保証と収束領域（RoA）の近似という課題に取り組む。従来の安定性解析は明示的な数学モデルに依存するが、複雑な非線形系ではこれがしばしば利用できない。データ駆動型手法は存在するが、ニューラルネットワークベースのアプローチなど多くの手法は明示的なロバスト性保証を欠き、また Sum-of-Squares（和の二乗）などの手法は、完全なデータ駆動適用を制限する可能性のある構造的仮定に依存している。

目的は、ベクトル場の点ごとの評価（データ）と既知のリプシッツ連続性の境界のみを用いて、認証された RoA を構築することである。本問題は以下の仮定に基づいている：

1. 原点を平衡点とする、一意な局所漸近安定平衡点が存在する。
2. ベクトル場 $f$ は、既知の成分ごとの上限 $M$ を持つリプシッツ連続である。
3. シミュレーションまたは測定から得られたデータセット $D_{N_d} = \{(x_i, f_i)\}$ が利用可能である。
4. 平衡点を含む小さな安全な多面体集合 $A$ が存在する。

手法
提案された枠組みは、不確実性の特性化、状態空間の細分化、および線形計画法（LP）によるリャプノフ候補の合成という 3 つの主要な段階で進行する。

1. 不確実性集合の構築：
   リプシッツ連続性の仮定と利用可能なデータに基づき、著者らはデータと整合するすべての許容ベクトル場を表す多面体不確実性集合 $F_{N_d}$ を構築する。

   • 各データ点 $(x_i, f_i)$ に対して、リプシッツ制約 $|f(x) - f_i| \leq M\|x - x_i\|_\infty$ は許容値の集合を定義する。
   • この制約は、$\mathbb{R}^{n+1}$（状態とベクトル場値）における多面体錐の和集合として再定式化される。
   • 大域的不確実性集合は、すべてのデータ点にわたるこれらの集合の共通部分である。
   • 重要なのは、任意の状態 $x$ において、許容ベクトル場値の集合 $F(x)$ が超箱（区間のデカルト積）を形成することである。この集合値写像により、システムダイナミクスを微分包含 $\dot{x} \in F(x)$ として記述できる。

2. 状態空間の細分化と PWA 候補：
   状態空間 $X$ は多面体細分化 $\{Y_j\}$ に分割される。この細分化の頂点は、不確実性集合 $F(x)$ のグラフの頂点を状態空間に射影して得られる。これにより、分割が不確実性の幾何学的構造と整合するよう保証される。
   この分割上で、連続的な区分的アフィン（PWA）リャプノフ候補 $V(x)$ が定義される：
   $$V(x) = a_j^T x + b_j, \quad \forall x \in Y_j$$
   係数 $(a_j, b_j)$ は決定変数として決定される。

3. LP ベースの合成：
   著者らは、$V(x)$ が $F(x)$ 内のすべての許容ダイナミクスに対してリャプノフ条件を満たすように係数 $(a_j, b_j)$ を選択する線形計画（LP）を定式化する。

   • 正値性と連続性： 細分化の頂点およびセル境界において線形制約を課すことで強制される。
   • 減少条件： 条件 $\nabla V(x)^T f(x) < 0$ は、すべての $f(x) \in F(x)$ に対して成立しなければならない。$F(x)$ が凸な超箱であるため、その最大値は頂点で達成される。したがって、この条件は超箱の有限個の頂点集合 $F_v(x)$ においてのみ強制される。
   • 緩和： 実行不可能性（例えば平衡点近傍やデータが不十分な領域）に対処するため、スラック変数が導入され、反復的改善プロセスを可能にする。

4. 反復アルゴリズム：
   反復アルゴリズム（アルゴリズム 1）が提案される：

   • 不確実性集合を構築し、頂点を抽出する。
   • LP を解く。
   • リャプノフ減少条件が満たされない場合（非負のスラック変数で示される）または、不確実性集合がゼロを含む場合（データ不十分を示す）、問題のある頂点に新しいデータ点を追加する。
   • 有効な RoA が認証されるか、反復制限に達するまでこのプロセスを繰り返す。

主要な貢献

• 明示的な不確実性モデリング： 本論文は、疎なデータとリプシッツ境界から多面体不確実性集合を構築する厳密な手法を提供し、未知のダイナミクスを扱いやすい微分包含に変換する。
• LP ベースの認証： 第二次コン制法（SOCP）やニューラルネットワークに依存する代替手法とは異なり、このアプローチは安定性認証を線形計画として定式化する。これは、不確実性集合の超箱構造を利用し、条件をその頂点でのみ評価することで達成される。
• 関心の分離： 本手法は、不確実性の特性化とリャプノフ合成を分離する。この 2 段階のアプローチは解釈性を向上させ、データの有益性に基づく反復的改善を可能にする。
• 認証済み RoA の抽出： この手法は、平衡点を含む連結成分に制限された結果の PWA 関数の準レベル集合が、データと整合する有効な収束領域であることを保証する。

数値結果
本手法は、単純な減衰振り子と反転時間ヴァン・デル・ポル振動子の 2 つの例で検証された。

• 減衰振り子： アルゴリズムは 4 反復で収束し、真の RoA の形状と一致する認証済み RoA の抽出に成功した。最適化時間は、不確実性境界の計算に必要なデータ処理時間に比べて無視できるほど少なかった。
• ヴァン・デル・ポル振動子： 本手法は 3 反復で収束した。認証済み RoA が正常に同定された一方、結果はリャプノフ減少条件が全球的に満たされていないこと（認証領域外に非負のスラック変数が残っている）を浮き彫りにした。これは、利用可能なデータから全球的安定性が証明できない場合でも、本手法が保守的な認証境界を提供する能力を示している。

意義と主張
本論文は、ニューラルネットワークの「ブラックボックス」性や多項式手法の構造的仮定を回避する、実用的で完全なデータ駆動型の安定性認証枠組みが主要な貢献であると主張している。明示的な不確実性集合と PWA リャプノフ関数を組み合わせることで、このアプローチは以下の点を提供する：

1. ロバスト性： 保証は、サンプリングされた点だけでなく、データとリプシッツ境界と整合するすべてのダイナミクスに対して成り立つ。
2. 計算の実用性： SOCP 定式化と比較して、LP の使用により問題のスケーラビリティが向上する。
3. 解釈性： 不確実性モデリングとリャプノフ選択の分離により、明確なステップバイステップの認証プロセスが提供される。

著者らは、この研究を理論的ロバスト制御（微分包含）と現代のデータ駆動制御の間の架け橋として位置づけ、システムのパラメトリックモデルを必要とせずに、疎なデータから認証された安定性特性を抽出するための実用的なツールを提供している。