Excitation of control-affine systems and Koopman error bounds

Technische Samenvatting: Excitatie van Control-Affine Systemen en Koopman Foutmarges

Probleemformulering
Het artikel behandelt de uitdaging van het identificeren van control-affine dynamische systemen vanuit data met behulp van het Koopman-operatorframework, specifiek via Extended Dynamic Mode Decomposition (EDMD). Hoewel datagedreven methoden zoals EDMD krachtig zijn voor het modelleren van complexe systemen, introduceert het uitbreiden van deze naar control-affine systemen (die bilaterale surrogaatmodellen opleveren) aanzienlijke datavereisten. Het kernprobleem dat wordt geïdentificeerd, is dat de nauwkeurigheid en robuustheid van het systeemidentificatieproces sterk afhangen van de kwaliteit van de inputdata. Specifiek zijn de benaderingsfoutmarges voor deze modellen omgekeerd evenredig aan de kleinste enkelvoudige waarde ($\sigma_{\min}$) van de input-data matrix. Als de inputdata niet voldoende "exciterend" is (dat wil zeggen, als de inputs slecht verdeeld of gecorreleerd zijn), wordt $\sigma_{\min}$ klein, wat leidt tot grote foutmarges en onbetrouwbare controleprestaties. Het artikel streeft ernaar om richtlijnen voor inputselectie op te stellen om deze enkelvoudige waarde te maximaliseren, waardoor een robuuste identificatie en betrouwbare foutmarges voor controletoepassingen worden gewaarborgd.

Methodologie
De auteurs ontwikkelen een framework dat gecentreerd is rond het regressieprobleem dat wordt gebruikt om de control-affine mapping $y = g_0(x) + G(x)u$ te schatten. De methodologie verloopt via verschillende analytische stappen:

1. Analyse van Foutmarges: Het artikel stelt eerst vast dat de fout bij het schatten van de systeemparameters ($g_0$ en $G$) begrensd wordt door de ratio van de verstoringgrootte tot $\sigma_{\min}(V)$, waarbij $V$ de data matrix is die bestaat uit een rij enen en de inputvectoren.
2. Optimaliteitscondities: De auteurs leiden noodzakelijke en voldoende voorwaarden af voor het maximaliseren van $\sigma_{\min}(V)$.
   • Een noodzakelijke voorwaarde is dat de som van de inputvectoren nul moet zijn ($U\mathbf{1} = 0$).
   • Onder deze voorwaarde maakt het op de juiste wijze schalen van de inputs de matrix in staat om de theoretische bovengrens voor de kleinste enkelvoudige waarde te bereiken.
   • Specifieke optimale configuraties worden geïdentificeerd: orthogonale inputs (Corollary 3.3) en inputs die de hoekpunten van een reguliere simplex vormen (Proposition 3.5).
3. Subruimtehoeken en Sequentiële Collectie: In het besef dat praktische toepassingen vaak sequentiële datacolectie vereisen in plaats van het a priori ontwerpen van alle inputs, introduceren de auteurs een geometrische benadering met behulp van subruimtehoeken. Ze leiden een ondergrens af voor $\sigma_{\min}(V)$ gebaseerd op de hoeken tussen nieuwe inputvectoren en de subruimte gespannen door bestaande inputs. Dit leidt tot een strategie waarbij, gegeven een set willekeurige inputs, een specifieke aanvullende input wordt gekozen (of een bestaande wordt vervangen) om de subruimtehoeken te maximaliseren, waarmee de minimale enkelvoudige waarde wordt gemaximaliseerd.
4. Integratie met het Koopman Framework: Deze theoretische resultaten worden toegepast op twee specifieke EDMD-varianten:
   • Bilineaire EDMD met Controle (EDMDc): Het framework maakt flexibele sampling mogelijk, waarbij data niet verzameld hoeft te worden bij specifieke, vooraf gedefinieerde controlewaarden (zoals eenheidsvectoren), maar kan worden afgeleid uit algemene dataclusters.
   • Kernel EDMD: De auteurs breiden bestaande foutmarges voor kernel-gebaseerde methoden uit naar de control-affine setting, waardoor uniforme foutmarges worden verkregen die de vereiste assumpties voor datagedreven Model Predictive Control (MPC) rigoureus verifiëren.

Belangrijkste Bijdragen

• Data-Fitting Framework: Een nieuw framework voor het fitten van control-affine mappings dat de inputselectie expliciet koppelt aan de robuustheidsmarge van het identificatieprobleem.
• Optimaliteitscondities: Afleiding van noodzakelijke en voldoende voorwaarden voor inputoptimaliteit om de minimale enkelvoudige waarde van de data matrix te maximaliseren, inclusief expliciete constructies voor orthogonale en simplex-gebaseerde inputs.
• Geometrische Richtlijnen voor Sequentiële Data: Een praktische richtlijn met behulp van subruimtehoeken om te bepalen hoe aanvullende inputs te selecteren om de conditionering te verbeteren in sequentiële of online leerscenario's.
• Uniforme Foutmarges: De afleiding van uniforme foutmarges voor bilineaire EDMDc en kernel EDMD in aanwezigheid van control-affine structuren. Deze marges zijn afhankelijk van de fill distance van de toestandsruimte en de conditionering van de inputdata.
• Flexibele Sampling: Een methode om kunstmatige datapunten te construeren (bijv. responsen op eenheidsvector-inputs) uit algemene, flexibele datacollecties, waardoor restrictieve samplingvereisten worden opgeheven.

Resultaten
Het artikel valideert de voorgestelde aanpak via twee toepassing scenario's:

1. Free-Floating Rigid Body (6D Input): De studie vergelijkt vier excitatiestrategieën: willekeurige inputs, orthogonale inputs, simplex hoekpunten en een strategie gebaseerd op subruimtehoeken. De resultaten laten zien dat terwijl willekeurige inputs aanzienlijk lagere $\sigma_{\min}$ en hogere benaderingsfouten opleveren, de voorgestelde strategieën (met name de op subruimtehoeken gebaseerde aanpak) $\sigma_{\min}$-waarden bereiken die dicht bij het theoretisch maximum liggen, wat de fouten in de vectorveld-benadering drastisch vermindert.
2. Nonholistisch Mobiel Robot (2D Input): Het framework wordt toegepast op een mobiele robot met behulp van bilineaire EDMDc. De resultaten tonen aan dat het gebruik van de voorgestelde excitatiestrategieën (zelfs met een minimaal aantal datapunten) leidt tot Koopman-surrogaatmodellen met aanzienlijk lagere één-stap voorspellingsfouten vergeleken met willekeurige sampling. De studie laat ook zien dat het verhogen van het aantal willekeurige inputs de fouten kan mitigeren, maar dat de geometrisch geleide selectie een hoge nauwkeurigheid bereikt met minder samples.

Betekenis
Het artikel stelt dat de bijdragen significant zijn voor de betrouwbare toepassing van datagedreven controle in veiligheidskritische systemen. Door expliciete, geometrisch interpreteerbare voorwaarden voor inputselectie te bieden, overbrugt dit werk de kloof tussen theoretische systeemidentificatie en praktische datacollectie. De afgeleide foutmarges zijn cruciaal voor de formele verificatie van closed-loop eigenschappen, zoals asymptotische stabiliteit in Model Predictive Control. Bovendien maakt het vermogen tot flexibele sampling de identificatie van control-affine systemen mogelijk in scenario's waarin het verzamelen van data bij specifieke, vooraf gedefinieerde controle-inputs onpraktisch of onmogelijk is, wat de aanpak toepasbaar maakt voor echte engineeringproblemen zoals robotica en voertuigdynamica.