Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

Titel en Context

Titel: Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs
Auteurs: Luke Bhan, Peter Quawas, Miroslav Krstic, en Yuanyuan Shi (UC San Diego).
Kernprobleem: Het regelen van niet-lineaire systemen met ingangsvertragingen (input delays) waarbij state-metingen slechts op discrete tijdstippen beschikbaar zijn (gesampled), in plaats van continu.

---

1. Probleemstelling

Moderne regelsystemen opereren vaak onder twee beperkingen:

1. Ingangsvertragingen: Signaalverwerking en communicatie leiden tot vertragingen ($D$) in de actuatoren.
2. Gesamplede metingen: Door bandbreedtebeperkingen of hardware-fouten zijn state-metingen ($X(t)$) niet continu beschikbaar, maar slechts op discrete momenten $\{T_i\}$.

De standaardoplossing voor vertragingen is predictor feedback, waarbij de toekomstige toestand van het systeem over het vertragingstijdvak wordt voorspeld om een nominale feedbackwet toe te passen. Echter, de implementatie hiervan is problematisch:

• De predictor vereist het oplossen van een impliciete differentiaalvergelijking (ODE) online, wat computatief zwaar en onvoorspelbaar duur is.
• Bestaande methoden gaan vaak uit van continue metingen, wat in de praktijk zelden het geval is.
• Het samenvoegen van gesamplede metingen met een predictor leidt tot een hybride regelsysteem dat complex is te analyseren en te implementeren.

---

2. Methodologie

De auteurs ontwikkelen twee ontwerpen voor Neural Operator (NO)-gebaseerde predictor feedback. Neural Operators zijn neurale netwerken die mappings tussen functieruimtes leren, waardoor ze geschikt zijn voor het benaderen van oplossingen van differentiaalvergelijkingen.

Ze definiëren twee specifieke architecturen om de hybride feedbackwet te benaderen:

Ontwerp 1: Uniform Sampling (Sampling-Horizon Prediction Operator)

• Aanname: Metingen zijn uniform gesampled ($T_{i+1} - T_i = h$).
• Methode: Een enkele neural operator ($\hat{M}$) leert de volledige mapping van de huidige meting en inputgeschiedenis naar de voorspelde toestandstrajectorie over het hele volgende sample-interval.
• Voordeel: De operator leert de dynamica direct; er is geen online integratie van de ODE nodig tijdens de uitvoering.
• Nadeel: Vereist strikt uniforme sampling.

Ontwerp 2: Bounded Non-Uniform Sampling (Predictor Approximation)

• Aanname: Metingen kunnen onregelmatig zijn, zolang de interval tussen metingen maar begrensd is ($T_{i+1} - T_i \leq h$).
• Methode: De neural operator ($\hat{P}$) benadert alleen de predictor (de toestand op het einde van de vertragingstijd). Deze voorspelde waarde dient als beginvoorwaarde voor een continue ODE-integrator die de toestand tussen de metingen door berekent.
• Voordeel: Flexibeler; tolerant voor onregelmatige metingen (bijv. door netwerkvertraging of hardware-fouten).
• Nadeel: Vereist een nauwkeurigere benadering van de operator, omdat fouten in de beginvoorwaarde exponentieel kunnen groeien tijdens de ODE-integratie tussen de samples.

---

3. Belangrijkste Bijdragen

1. Nieuwe Architecturen: Introductie van twee neural-operator gebaseerde feedbackstructuren specifiek ontworpen voor niet-lineaire systemen met zowel input delays als gesamplede metingen.
2. Stabiliteitsanalyse:
   • Bewijs van semi-globale praktische stabiliteit voor beide methoden.
   • Afleiding van expliciete foutgrenzen die afhankelijk zijn van de benaderingsfout van de neural operator ($\epsilon$).
   • Trade-off inzicht: Het artikel toont aan dat Ontwerp 2 (onregelmatige sampling) een "versterkte" foutgrens heeft ($\epsilon \cdot e^{C h}$) vergeleken met Ontwerp 1 ($\epsilon$). Dit betekent dat onregelmatige sampling een veel nauwkeurigere neural operator vereist om dezelfde stabiliteit te garanderen.
3. Theoretische Koppeling: Het koppelen van de theorie van Neural Operators (die mappings tussen functieruimtes benaderen) aan de klassieke theorie van predictor feedback voor hybride systemen.

---

4. Resultaten

De methoden werden getest op een 6-koppeling niet-lineaire robotmanipulator (xArm6) met een ingangsvertraging van 0,2 seconden.

• Tracking Performance: Beide methoden slaagden erin de gewenste trajectorie nauwkeurig te volgen, zelfs onder invloed van ruis in de metingen.
• Berekeningsvoordeel:
  • De traditionele numerieke predictor (die de ODE online moet oplossen) kostte ongeveer 25 ms per evaluatie.
  • De Neural Operator benaderingen kostten slechts 1 ms per evaluatie (op een GPU).
  • Dit resulteert in een 25-voudige versnelling (25x speedup) ten opzichte van de baseline.
• Foutanalyse: De simulaties bevestigden dat de trackingfout direct correleert met de benaderingsfout van de neural operator en dat de foutgrenzen zoals voorspeld door de theorie worden gehaald.

---

5. Betekenis en Conclusie

Dit werk is significant omdat het een brug slaat tussen de theoretische stabiliteit van predictor feedback en de praktische beperkingen van moderne digitale regelsystemen.

• Praktische toepasbaarheid: Het lost het probleem op van de hoge rekentijd die nodig is voor klassieke predictor feedback, waardoor het toepasbaar wordt op systemen met snelle dynamiek of beperkte rekenkracht.
• Robuustheid: Het biedt een theoretisch kader voor het omgaan met onregelmatige metingen, een veelvoorkomend probleem in netwerkgestuurde regelsystemen (NCS).
• Ingenieursadvies: De studie biedt een duidelijke richtlijn voor ingenieurs: als je flexibiliteit wilt in sampling (onregelmatig), moet je investeren in een zeer nauwkeurig getrainde neural operator om de stabiliteit te waarborgen. Als je uniforme sampling kunt garanderen, is de eis aan de nauwkeurigheid van de operator minder streng.

Kortom, de auteurs tonen aan dat Neural Operators een krachtig, snel en theoretisch onderbouwd alternatief zijn voor traditionele numerieke methoden bij de regeling van complexe, vertraagde niet-lineaire systemen.