Online Tracking with Predictions for Nonlinear Systems with Koopman Linear Embedding

Each language version is independently generated for its own context, not a direct translation.

De Kunst van het Volgen: Een Reis door de "Koopman-Brug"

Stel je voor dat je een danspartner hebt die een heel lastige dans doet. Hij of zij beweegt zich op een manier die niet lineair is; soms versnelt hij, soms draait hij plotseling, en de bewegingen lijken willekeurig. Je doel is om die danspartner perfect te volgen, maar je hebt een groot probleem: je weet niet hoe de danser precies beweegt (je kent de "wiskunde" van de beweging niet) en je ziet de toekomst niet. Je krijgt alleen een korte voorspelling: "De danser gaat de komende 5 seconden naar links, dan naar rechts."

Dit is precies het probleem dat de auteurs van dit paper proberen op te lossen. Ze kijken naar systemen die niet-lineair zijn (zoals een dansende robot, een autonome auto in druk verkeer, of een drone in de wind) en proberen ze te besturen met behulp van korte voorspellingen.

Hier is hoe ze het aanpakken, stap voor stap:

1. De Magische "Koopman-Brug"

Het grootste probleem met niet-lineaire systemen is dat ze moeilijk te berekenen zijn. Het is alsof je probeert een bocht in een weg te nemen terwijl de weg zelf voortdurend van vorm verandert.

De auteurs gebruiken een slimme wiskundige truc die ze de "Koopman-embeddings" noemen.

De Analogie: Stel je voor dat je een platte kaart van een heuvelachtig landschap hebt. Het is moeilijk om een rechte lijn te trekken over de heuvels. Maar stel je nu voor dat je het landschap in een hogere dimensie "optilt" (zoals een 3D-kaart in plaats van een 2D-kaart). In die nieuwe, hogere wereld blijken de kronkelige wegen plotseling rechte lijnen te zijn!
Wat dit betekent: Hoewel de werkelijke wereld (de robot) zich niet-lineair gedraagt, kunnen we hem wiskundig "vertalen" naar een hogere ruimte waar hij zich lineair (als een rechte lijn) gedraagt. Dit maakt de berekeningen veel makkelijker, alsof je van een lastige bergtop afdaalt naar een vlakke vlakte.

2. De "Modelvrije" Voorspeller (Willems' Lemma)

Normaal gesproken zou je om een robot te besturen eerst een heel gedetailleerd model moeten bouwen: "Als ik hier 1 seconde gas geef, beweegt hij 2 meter." Maar in de echte wereld is dat vaak onmogelijk of te duur.

De auteurs gebruiken een methode die geen model nodig heeft.

De Analogie: In plaats van een theorieboek te lezen over hoe een auto rijdt, kijken ze naar een video van een eerdere rit. Ze zeggen: "Kijk, in het verleden is de auto hier gereden terwijl we dit stuurden. Laten we diezelfde patronen gebruiken om de toekomst te voorspellen."
Ze gebruiken een wiskundige regel (het Fundamentele Lemma van Willems) die zegt: "Als je genoeg data hebt van het verleden, kun je elke mogelijke toekomstige beweging reconstrueren zonder de onderliggende wetten van de natuur te kennen." Het is alsof je een danspartner volgt door alleen naar zijn vorige stappen te kijken, zonder te weten welke spieren hij gebruikt.

3. De "Bliksemsnelle" Voorspelling

Het paper onderzoekt wat er gebeurt als je voorspellingen hebt. Stel, je krijgt een bril die je 5 seconden in de toekomst laat zien. Hoe goed kun je dan volgen?

De auteurs bewijzen iets heel belangrijks:

De Regels: Als je een voorspelling hebt, hoe korter de voorspelling, hoe slechter je presteert. Maar als je de voorspelling iets verlengt, verbetert je prestatie exponentieel.
De Analogie: Stel je voor dat je een bal probeert te vangen. Als je maar 1 seconde vooruitkijkt, mis je hem vaak. Maar als je 3 seconden vooruitkijkt, kun je je positie perfect aanpassen. De auteurs tonen aan dat je met een voorspelling van slechts een paar seconden (in plaats van de hele toekomst) al bijna perfect kunt presteren. De "fout" die je maakt, wordt zo klein dat hij bijna verdwijnt.

4. Waarom is dit belangrijk?

Vroeger moesten we kiezen tussen:

Een perfect model hebben (moeilijk voor complexe systemen).
Geen model hebben en hopen dat het goed komt (onbetrouwbaar).

Dit paper laat zien dat je het beste van beide werelden kunt hebben. Je gebruikt de data uit het verleden om een "rechterlijn" te vinden in een complexe wereld, en met een klein beetje voorspelling kun je een systeem besturen dat net zo goed presteert als een systeem met een perfect model.

Samenvatting in één zin

De auteurs hebben een slimme manier bedacht om complexe, onvoorspelbare systemen (zoals robots) te besturen door ze tijdelijk in een "magische ruimte" te verplaatsen waar ze lineair zijn, en door te vertrouwen op data uit het verleden in plaats van een perfect model, waardoor ze zelfs met korte voorspellingen al uitstekend kunnen presteren.

Kortom: Ze hebben een brug gebouwd tussen de chaotische realiteit en de geordende wiskunde, zodat robots makkelijker kunnen dansen met hun menselijke partners.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het artikel "Online Tracking with Predictions for Nonlinear Systems with Koopman Linear Embedding" in het Nederlands.

Titel: Online Tracking met Voorspellingen voor Niet-lineaire Systemen met Koopman Lineaire Embedding

Auteurs: Chih-Fan Pai, Xu Shang, Jiachen Qian, Yang Zheng (UC San Diego)
Publicatie: Proceedings of Machine Learning Research (PMLR), 2026

1. Probleemstelling

Het artikel onderzoekt het probleem van online tracking in onbekende niet-lineaire dynamische systemen. In dit scenario moet een agent een veranderende doelpad (target trajectory) volgen, maar beschikt hij slechts over korte-termijn voorspellingen van toekomstige doeltoestanden.

Context: In veel praktische toepassingen (robotica, autonome systemen, adaptieve besturing) is volledige kennis van toekomstige doelen of de exacte systeemdynamica niet beschikbaar.
Doel: Minimaliseren van de cumulatieve trackingfout en de besturingsinspanning over een eindige horizon.
Uitdaging: Bestaande methoden voor online controle zijn vaak beperkt tot lineaire systemen of vereisen een bekend model. De uitbreiding naar niet-lineaire systemen met voorspellingen, zonder expliciete modelidentificatie, blijft een groot probleem.

2. Methodologie

De auteurs focussen op een specifieke klasse van niet-lineaire systemen die Koopman-linearisabel zijn. Dit betekent dat het systeem via een "lifting"-procedure naar een hoger dimensionale ruimte kan worden getransformeerd waar de dynamiek lineair wordt.

Kernconcepten:

Koopman Embedding: Een niet-lineair systeem $z_{t+1} = f(z_t, u_t)$ wordt getransformeerd naar een lineair systeem $x_{t+1} = Ax_t + Bu_t$ in een verheven ruimte (lifted space), waarbij $x_t = \psi(z_t)$ . De oorspronkelijke toestand is $z_t = Cx_t$ .
Modelvrije Voorspellende Besturing (DDPC): In plaats van het systeem te identificeren of de lifting-functie $\psi$ $ψ$ te kennen, gebruiken de auteurs een data-gedreven aanpak gebaseerd op een uitgebreide versie van Willems' fundamentele lemma.
- Dit lemma stelt dat elke geldige trajectorie van een lineair systeem kan worden gerepresenteerd als een lineaire combinatie van historische data-trajectoires.
- De methode lost op elk tijdstip een kwadratisch programma (QP) op dat de dynamiek beperkt tot de ruimte opgespannen door offline verzamelde data.
Receding Horizon Control (MPC): Het algoritme werkt met een voorspellingshorizon $W$ . Op elk tijdstip worden de beste besturingen berekend op basis van de huidige staat en de voorspellingen van de doelen voor de komende $W$ stappen, maar er wordt alleen de eerste besturing uitgevoerd.

3. Belangrijkste Bijdragen

Equivalentie tussen Niet-lineair en Lineair:
De auteurs bewijzen dat voor Koopman-linearisabele systemen het niet-lineaire trackingprobleem en het verheven lineaire probleem exact equivalent zijn wat betreft kosten en dynamische spijt (dynamic regret). Dit stelt hen in staat om lineaire controletheorie toe te passen op het oorspronkelijke niet-lineaire probleem.
Eerste Dynamische Spijtgrens voor Niet-lineaire Systemen:
Dit werk biedt de eerste theoretische garantie voor dynamische spijt (dynamic regret) bij online tracking in onbekende, niet-lineaire systemen. Dynamische spijt vergelijkt de prestaties van de online controller met de optimale niet-causale controller (die de volledige toekomst kent).
Exponentiële Afname van Spijt:
Het belangrijkste theoretische resultaat (Stelling 5.1) is dat de dynamische spijt exponentieel afneemt met de lengte van de voorspellingshorizon $W$ .
- De spijt groeit lineair met de totale horizon $T$ , maar daalt als $O(\lambda^W)$ , waarbij $\lambda < 1$ .
- Dit betekent dat een voorspellingshorizon van $W = \Theta(\log T)$ voldoende is om een constante spijt ( $O(1)$ ) te bereiken.
Stabiliteit zonder Terminal Cost:
In tegenstelling tot klassieke MPC-methoden die vaak een zorgvuldig ontworpen "terminal cost" nodig hebben om stabiliteit te garanderen, zorgt bij deze methode een voldoende lange voorspellingshorizon voor stabiliteit. Dit is uniek voor Koopman-systemen vanwege de liftingsstructuur.
Verzwakte Aannames:
De analyse houdt stand onder de zwakkere aanname van positief semi-definiete stage-kosten (in plaats van strikt positief definiet), wat vaak nodig is bij Koopman-structuren omdat de herstelmatrix $C$ niet vol-rang is.

4. Resultaten

Theoretisch: De afgeleide spijtgrens toont aan dat de prestaties van de data-gedreven controller (DDPC) gelijk zijn aan die van een MPC met een bekend lineair model in de verheven ruimte. De spijt wordt gedomineerd door de fouten die ontstaan door het niet kennen van de volledige toekomst, maar deze fouten worden exponentieel onderdrukt door een langere voorspellingshorizon.
Numeriek: Experimenten met een niet-lineair systeem (vergelijkbaar met een voorbeeld uit de tekst) bevestigen de theorie:
- De trackingfout neemt af naarmate de voorspellingshorizon $W$ toeneemt.
- De dynamische spijt daalt exponentieel met $W$ .
- De methode werkt effectief zonder dat het systeemmodel of de lifting-functie bekend is.
Extensie: Er is ook een experiment uitgevoerd met een tweewielige robot (een systeem dat strikt genomen niet Koopman-linearisabel is). Door gebruik te maken van een geregulariseerde versie van de data-gedreven aanpak en te schakelen tussen lokale data-bibliotheken, werd aangetoond dat de methode ook robuust kan zijn voor systemen met lokale niet-lineariteiten.

5. Significantie en Impact

Dit artikel is significant omdat het de kloof overbrugt tussen data-gedreven controle, Koopman-theorie en online learning met voorspellingen.

Praktische Toepasbaarheid: Het elimineert de noodzaak voor complexe systeemidentificatie of het kiezen van handmatige lifting-functies, wat vaak een bottleneck is in de praktijk.
Theoretische Vooruitgang: Het levert de eerste strikte prestatiegaranties (spijtgrenzen) voor online tracking in onbekende niet-lineaire systemen.
Efficiëntie: Het toont aan dat korte-termijn voorspellingen, wanneer gecombineerd met de juiste data-gedreven structuur, zeer effectief kunnen zijn om de prestaties van een controller te verbeteren, zelfs in complexe niet-lineaire omgevingen.

Samenvattend biedt deze studie een robuust framework voor het besturen van onbekende niet-lineaire systemen dat theoretisch onderbouwd is en praktisch toepasbaar is zonder expliciete modellering.