⚡ electrical engineering

Linear Quadratic Control with Non-Markovian and Non-Semimartingale Noise Models

Dit artikel lost een gegeneraliseerd lineair-kwadratisch optimalisatieprobleem op voor niet-Markoviaanse en niet-semimartingale ruismodellen door gebruik te maken van *rough path theory* en signatuurrepresentaties, aangezien de lage Hölder-regulariteit van deze processen klassieke Itô-calculus onmogelijk maakt.

Oorspronkelijke auteurs: Mostafa M. Shibl, Sharan Srinivasan, Harsha Honnappa, Vijay Gupta

Gepubliceerd 2026-02-11

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mostafa M. Shibl, Sharan Srinivasan, Harsha Honnappa, Vijay Gupta

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een ervaren automobilist bent die een auto bestuurt over een perfect gladde, voorspelbare snelweg. Je weet precies hoe de auto reageert als je het stuur een beetje draait. Dit is de wereld van de klassieke controle-theorie (de standaard LQG-methode). Alles is rustig, voorspelbaar en volgt de regels van de natuurkunde die we goed begrijpen.

Maar wat als de weg plotseling verandert in een onvoorspelbaar mijnenveld van ijsvlaktes, plotselinge windvlagen en onverwachte kuilen die niet volgen waar je ze verwacht? De auto begint te zwabberen, je stuurt paniekerig heen en weer, en uiteindelijk raak je de controle volledig kwijt.

Dit is precies het probleem waar de onderzoekers in dit paper naar kijken.

Het Probleem: De "Onhandelbare" Ruis

In de techniek (zoals bij robots of zelfrijdende auto's) hebben we te maken met 'ruis': kleine verstoringen die de beweging beïnvloeden. Meestal gaan wetenschappers ervan uit dat deze ruis een beetje lijkt op een rustige rimpeling in een vijver (Brownse beweging). Dat is makkelijk te berekenen.

Maar in de echte wereld is ruis vaak veel "wilder":

Het heeft een geheugen (Non-Markovian): De verstoring van nu hangt af van wat er vijf minuten geleden gebeurde. Het is als een golf die niet stopt, maar steeds een nieuwe vorm aanneemt op basis van het verleden.
Het is grillig (Non-Semimartingale): De bewegingen zijn zo schokkerig en onregelmatig dat de standaard wiskunde (de "Itô-calculus") simpelweg vastloopt. Het is alsof je probeert een wiskundige formule te gebruiken voor een vlieg die onvoorspelbaar door de kamer fladdert; de formule is te traag en te star.

De Oplossing: "Rough Path Theory" (De Wiskundige Verrekijker)

De onderzoekers introduceren een nieuwe manier om naar deze chaos te kijken: Rough Path Theory.

Stel je voor dat je een tekening probeert te maken van een trillende lijn. Met een gewone pen krijg je alleen de lijn zelf. Maar met de "Rough Path"-methode krijg je een soort super-pen die niet alleen de lijn tekent, maar ook de kracht, de draaiing en de energie van elke trilling direct vastlegt. Je kijkt niet alleen naar waar de lijn is, maar ook naar de manier waarop hij beweegt.

Door deze extra informatie (de "iterated integrals") te gebruiken, kan de computer de chaos "lezen" en begrijpen wat er gaat gebeuren, zelfs als de ruis heel grillig is.

De Resultaten: De Slimme Bestuurder

De onderzoekers hebben een nieuwe "besturingsstrategie" (de gLQ-controller) ontwikkeld. In plaats van alleen te reageren op wat er nu gebeurt, kijkt deze controller naar de "ruwe patronen" in de ruis en zegt: "Wacht even, ik zie aan de manier waarop de trilling nu opbouwt, dat er over een seconde een grote schok komt. Ik ga nu alvast een beetje tegensturen."

De test:
Ze testten dit op een model van een omgekeerde pendel (een stok die op een karretje staat en die je rechtop moet houden).

De oude methode: Zodra de ruis te wild werd (zoals bij een heftige storm of plotselinge schokken), raakte de pendel volledig uit balans en stortte hij in. De computer raakte in paniek en probeerde wanhopig tegen te sturen, maar het was te laat.
De nieuwe methode (gLQ): De pendel bleef rustig rechtop staan. De controller begreep de grillige bewegingen en corrigeerde ze vloeiend en efficiënt, zonder in paniek te raken.

Samenvatting in één zin

Dit onderzoek geeft robots en machines een "super-gevoel" voor chaos, waardoor ze stabiel en veilig kunnen blijven werken, zelfs in een wereld die veel grilliger en onvoorspelbaarder is dan de standaard wiskunde ons vertelt.

Technische Samenvatting: Linear Quadratic Control met Non-Markoviaanse en Non-Semimartingale Ruismodellen

1. Het Probleem (Problem Statement)

De standaard Linear Quadratic Gaussian (LQG) regeltechniek vormt de hoeksteen van de stochastische regeling, maar rust op cruciale aannames: de ruis wordt gemodelleerd als een Brownse beweging (witte ruis). Dit impliceert dat de ruis een semimartingale en een Markov-proces is.

In de praktijk vertonen veel fysieke systemen (zoals financiële markten, turbulente stromingen of biologische systemen) echter gedrag dat niet aan deze aannames voldoet. Ze vertonen geheugeneffecten (non-Markoviaans) en hebben paden met een lage Hölder-regulariteit (ze zijn "ruwer" dan Brownse beweging). Wanneer men een standaard LQG-controller gebruikt op een systeem met dergelijke ruis (bijv. fractional Brownian motion met een Hurst-index $H < 0.5$ ), kan dit leiden tot instabiliteit en falen van het systeem. Het probleem is dat de klassieke Itô-calculus, de wiskundige basis van LQG, niet toepasbaar is op deze non-semimartingale processen.

2. Methodologie (Methodology)

Om dit theoretische vacuüm te vullen, introduceren de auteurs het generalized LQ (gLQ) kader. De kern van hun aanpak is het gebruik van Rough Path Theory (ruwe padtheorie).

Rough Path Lift: In plaats van alleen naar de ruispaden zelf te kijken, wordt de ruis "verhoogd" (lifted) naar een rough path. Dit houdt in dat niet alleen de paden zelf, maar ook hun iteratieve integralen (zoals de Lévy-gebieden) worden meegenomen in de analyse.
Controlled Rough Differential Equations (RDEs): De systeemdynamica wordt geformuleerd als een RDE in plaats van een klassieke stochastische differentiaalvergelijking (SDE). Hierdoor kan de interactie tussen de staat en de ruwe ruis wiskundig rigoureus worden gedefinieerd via de Sewing Lemma.
Rough HJB-vergelijking: De auteurs passen de Hamilton-Jacobi-Bellman (HJB) vergelijking aan voor de ruwe setting. Ze maken gebruik van de continuïteitseigenschappen van de oplossing van RDE's (Lyons' Universal Limit Theorem) om de optimale strategie te afleiden.

3. Belangrijkste Bijdragen (Key Contributions)

Het paper levert drie fundamentele theoretische resultaten:

Optimal LQR met volledige staat-observatie: De auteurs bewijzen dat de optimale controller bestaat en een specifieke vorm heeft: $u^*(t) = -R^{-1}B^\top P (x(t) + V(t))$ . Hierbij is $V(t)$ een predictieve correctieterm die het verwachte effect van toekomstige ruis op de staat compenseert. Dit is een directe uitbreiding van de klassieke LQR, waarbij $V(t) = 0$ voor standaard Brownse ruis.
Optimal Observer (Kalman-equivalent): Voor situaties waarin de staat niet direct meetbaar is, wordt een optimale observer afgeleid die rekening houdt met zowel de correlatie als de non-semimartingale aard van de proces- en meetruis. De auteurs tonen aan dat het scheidingsprincipe (separation principle) standhoudt in deze gLQ-setting.
Padwijze Optimaliteit en Continuïteit: Ze bewijzen dat de controller niet alleen optimaal is in verwachting, maar ook padwijze optimaal (voor elke specifieke realisatie van de ruis). Bovendien tonen ze aan dat de oplossing in de rough path-topologie continu is, wat een groot voordeel is ten opzichte van de klassieke Itô-oplossingen die discontinu kunnen zijn.

4. Resultaten (Results)

De theoretische resultaten worden gevalideerd met twee numerieke simulaties van een invers pendelmodel:

Fractional Brownian Motion (fBm): Bij een Hurst-index van $H=0.35$ (zeer ruwe ruis) faalt de klassieke LQ-controller volledig; de staat van het systeem divergeert exponentieel. De voorgestelde gLQ-controller stabiliseert het systeem echter effectief met een gecontroleerde output.
Lévy-processen (Stable Distribution): Bij ruis met zware staarten (heavy-tailed), wat zorgt voor abrupte sprongen, vertoont de klassieke controller eveneens instabiliteit. De gLQ-controller blijft robuust en brengt de staat succesvol terug naar het evenwicht.

5. Betekenis (Significance)

Dit werk is van groot belang omdat het een brug slaat tussen geavanceerde stochastische analyse (Rough Path Theory) en praktische regeltechniek. Het biedt een wiskundig rigoureus fundament voor het ontwerpen van controllers voor complexe, realistische systemen die niet voldoen aan de simplistische aannames van de klassieke stochastische calculus. De implicaties strekken zich uit tot de robotica, financiële engineering en de controle van natuurlijke fenomenen waar geheugen en ruwheid in de data inherent aanwezig zijn.