Technische Samenvatting: Veilige datagedreven besturing en dynamisch leren via beperkte neurale architecturen en Koopman-operatoren

1. Probleemformulering

De implementatie van leer-gebaseerde modellen in veiligheidskritieke besturingssystemen staat voor een fundamentele uitdaging: standaard regressie-architecturen missen wiskundige garanties met betrekking tot stabiliteit en veiligheid. In domeinen zoals autonome voertuigen en robotische manipulatoren vertonen systemen niet-lineariteiten, tijdsvertragingen en parameter-variaties die zich tegen analytische beschrijving verzetten. Hoewel Neural Ordinary Differential Equations (Neural ODE's) en methoden voor Koopman-operatoren (bijvoorbeeld Extended Dynamic Mode Decomposition, EDMD) de mogelijkheid hebben verbeterd om systeemtrajecten uit data te leren, leveren zij doorgaans geen formele certificaten van stabiliteit of veiligheid. Bijgevolg kunnen modellen die goed presteren op trainingsdistributies divergeren onder distributieverschuivingen of adversariële verstoringen, waardoor ze ongeschikt zijn voor betrouwbare implementatie.

Het artikel adresseert de behoefte aan een datagedreven raamwerk dat modellen produceert met berekenbare stabiliteitscertificaten in plaats van veronderstelde. De specifieke doelstellingen zijn:

1. Convergentie: Het geleerde model moet globaal contracterend zijn, zodat trajecten vanuit verschillende beginvoorwaarden exponentieel convergeren.
2. Beperking tot een Manifold: Voorspellingen moeten binnen fysiek toelaatbare manifolds blijven (bijvoorbeeld met inachtneming van wegwrijving of lastbeperkingen).
3. Input-to-State Stabiliteit (ISS): De mapping van externe verstoringen naar statfouten moet ISS zijn met een berekenbare $L_2$-gain, die de robuustheid tegen begrende verstoringen kwantificeert.

2. Methodologie

De auteurs stellen een geünificeerde pijplijn voor die vier onderscheiden componenten integreert: ControlSynth Neural ODE's, de ICODE-architectuur, meetinduceerde bundelstructuren en Koopman ISS-verificatie.

A. ControlSynth Neural ODE's met Bundelbeperkingen

De onbekende systeemdrift wordt geparametriseerd als een ControlSynth Neural ODE (CSODE). Deze architectuur dwingt globale convergentie af via hanteerbare Lineaire Matrix Ongelijkheden (LMI's).

• Structuur: De dynamiek van de latente toestand wordt gedefinieerd als $\dot{z} = A_\theta z + \Phi_\theta(z, \xi) + B_\theta u$, waarbij $\Phi_\theta$ een hulp-subnetwerk is dat niet-lineaire modus-koppeling vastlegt.
• Stabiliteitsbeperking: Een kwadratische sectorconditie wordt opgelegd aan $\Phi_\theta$ (Persidskii-type ongelijkheid). Dit zorgt ervoor dat de Jacobiaan uniform negatief definiet is in een specifieke metriek, wat globale convergentie certificeert via LMI's.
• Bundelbeperkingen: Om fysieke beperkingen af te dwingen, wordt een fiberbundel-raamwerk geïntegreerd. Een encoder $\Phi(x, \xi)$ wordt getraind met een bundel-bewuste loss die latent voorspellingen straft die afwijken van de omgevingsgeconditioneerde vezel. Dit induceert meetbewuste Control Barrier Functions (CBF's) die zich aanpassen aan lokale sensiecondities.

B. ICODE: Externe Input Modellering

De ICODE-architectuur specialiseert de CSODE door externe omgevingsinputs ($\xi$, bijv. wind, wrijving) expliciet te modelleren als argumenten in plaats van verborgen parameters.

• Het introduceert een bilineaire koppelterm tussen de toestand en $\xi$, waardoor de effectieve systeemmatrix op fysiek interpreteerbare manieren kan worden gemoduleerd (bijvoorbeeld het verschuiven van dempingsmatrices op basis van band-wegwrijving).
• Voldoende voorwaarden voor uniforme contractie over variërende omgevingen worden afgeleid via gekoppelde LMI's.

C. Koopman ISS-Verificatie

Als alternatief voor Neural ODE's maakt het artikel gebruik van een datagedreven Koopman-representatie via EDMD.

• Verificatie: In plaats van de identificatieprocedure te modificeren, past het artikel een post-hoc verificatiestap toe. Het controleert de haalbaarheid van een convexe LMI om te certificeren dat de $L_2$-gain van verstoringen naar statfouten begrensd is.
• Sensitiviteitsanalyse: Een nieuw propositie kwantificeert hoe de optimale ISS-gain ($\gamma^\star$) verslechtert met fouten door het afsnijden van het woordenboek, en biedt hiermee een leidraad voor woordenboekontwerp.

D. ICODE-MPPI-Regelaar

De gecertificeerde modellen worden ingebed in een Model Predictive Path Integral (MPPI)-regelaar.

• Mechanisme: Een continue-tijd residu-ICODE-netwerk wordt toegevoegd aan de nominale voorspeller om niet-gemodelleerde drift te compenseren tijdens stochastische rollouts.
• Variance Reductie: Theoretische analyse (Propositie 2) toont aan dat het gebruik van gecertificeerde voorspellers met begrende ISS-gains de variantie van koststalen in de MPPI-rollout beperkt. Dit voorkomt de "variance explosion" die wordt gezien bij niet-gecertificeerde recurrente netwerken, wat leidt tot soepelere en betrouwbaardere besturingsupdates.

3. Belangrijkste Bijdragen

Het artikel synthetiseert bestaande hulpmiddelen in een geünificeerde pijplijn en biedt specifieke theoretische en praktische toevoegingen:

1. Gecombineerde Stabiliteitsanalyse: Een bewijs (Stelling 1) dat aantoont dat het convergentiecertificaat van ControlSynth en de bundelbeperking gezamenlijk ISS impliceren van het samengestelde Neural ODE-model, met een expliciete gain-formule.
2. Koopman Sensitiviteitsresultaat: Een formalisering (Propositie 1) die aantoont dat het vergroten van het woordenboek monotoon het ISS-certificaat verbetert (of behoudt), en hiermee een praktische leidraad biedt voor woordenboekconstructie.
3. Theorie voor Variance Reductie: Een bewijs (Propositie 2) dat strakkere ISS-certificaten koppelt aan gereduceerde MPPI-rollout-variantie, wat het gebruik van gecertificeerde voorspellers in stochastische besturingslussen theoretisch rechtvaardigt.
4. Uitgebreide Validatie: Numerieke experimenten op twee benchmarks (voertuigspoorvolging en een niet-lineaire mechanische oscillator) met ablatiestudies die de bijdrage van elke structurele beperking isoleren.

4. Experimentele Resultaten

Het raamwerk werd geëvalueerd op twee benchmarks: een kinematisch fietsmodel onderhevig aan tijdvariërende wrijving en wind, en een Duffing-oscillator. Vier methoden werden vergeleken: Vanilla NODE, niet-gecertificeerde Koopman, Koopman + ISS, en de volledige CSODE-ICODE-MPPI-pijplijn.

• Prestatie: De volledige pijplijn bereikte een reductie van 61% in tracking-RMSE op het voertuig-benchmark en een reductie van 54% op het Duffing-oscillator-benchmark ten opzichte van de Vanilla NODE-baseline.
• Robuustheid: Onder aanhoudende verstoringen behield de volledige pijplijn de laagste Root Mean Square Error (RMSE) over alle verstoringniveaus. De niet-gecertificeerde methoden vertoonden super-lineaire foutdegradatie of intermitterende divergentie.
• Stabiliteitsgaranties: De LMI-haalbaarheidsgraad was 100% over alle testepisoden, wat bevestigt dat de modellen hun stabiliteitsgaranties behielden onder distributieverschuivingen.
• Ablatiestudie: Het verwijderen van afzonderlijke componenten (bundelbeperkingen, ICODE-koppeling of ISS-certificatie) resulteerde in significante prestatiedegradatie (18–22% RMSE-stijging) of verhoogde kostvariantie (factor 3,1), wat bevestigt dat elke component onafhankelijk bijdraagt aan de robuustheid van het systeem.
• Real-time Haalbaarheid: De volledige pijplijn opereerde met een stap-tijd van 8,3 ms (gedomineerd door CSODE-integratie), wat comfortabel binnen een 20 Hz real-time besturingsbudget past.

5. Betekenis en Claims

Het artikel claimt de kloof te overbruggen tussen expressieve datagedreven modellering en rigoureuze veiligheidsgaranties. De primaire betekenis ligt in:

• Berekenbare Certificaten: Voorbijgaan aan veronderstelde stabiliteit door expliciete, berekenbare ISS-certificaten te bieden via convexe optimalisatie (LMI's).
• Geïntegreerd Raamwerk: Het succesvol combineren van Neural ODE's, geometrische bundelstructuren en Koopman-theorie in één end-to-end besturingsarchitectuur.
• Praktische Implementatie: Het aantonen dat deze theoretische garanties vertalen naar tastbare verbeteringen in spoorvolgingsnauwkeurigheid en robuustheid in aanwezigheid van parametrische onzekerheid en aanhoudende verstoringen, zonder real-time prestaties te offeren.

De auteurs merken op dat hoewel het huidige raamwerk begrende deterministische signalen verwerkt, het uitbreiden van de verificatiepijplijn naar stochastische verstoringen en het verkennen van input-convexe neurale netwerken voor automatische Lyapunov-voldoening open richtingen blijven voor toekomstig werk.