Input-to-State Stable Bundle Koopman Neural ODEs for Learning Controlled Dynamics under Environmental Constraints

Technische Samenvatting: ISS-BKNO voor het leren van gecontroleerde dynamica onder omgevingsrestricties

Probleemstelling
Het artikel behandelt de uitdaging van het leren van nauwkeurige, certificeerbaar stabiele modellen voor gecontroleerde niet-lineaire dynamische systemen die opereren onder variërende omgevingscondities. Bestaande benaderingen pakken doorgaans stabiliteit, extrinsieke inputs of omgevingsrestricties geïsoleerd aan. Specifiek:

• Koopman-methoden bieden lineaire representaties, maar verliezen vaak de expliciete spectrale structuur bij gebruik van deep learning, wat certificering van stabiliteit bemoeilijkt.
• Stabiele Neural ODE's bieden modellen met continue diepte, maar missen frequent garanties tegen distributieverschuivingen of externe verstoringen.
• Omgevingsbewust leren worstelt met het scheiden van geometrische restricties (vezels) van dynamica, terwijl globale convergentiegaranties behouden blijven.

De auteurs identificeren een gat in methoden die gelijktijdig bieden: (i) een expliciet omgevingsgeconditioneerd latent coördinatenstelsel dat de vezelgeometrie scheidt van de dynamica; (ii) een Input-to-State Stability (ISS) certificaat dat controleerbaar is via een semidefiniet programma; en (iii) een verenigde trainingsdoelstelling die deze eigenschappen gezamenlijk afdwingt.

Methodologie: Het ISS-BKNO Framework
Het voorgestelde framework, ISS-BKNO (Input-to-State Stable Bundle Koopman Neural ODE), integreert Koopman-operatoridentificatie, Neural ODE's, vezelbundelgeometrie en ISS-certificering in een driefasige lifting-pipeline:

1. Bundle-Aware Encoder:
   De fysieke toestand $x$ en het omgevingssignaal $\xi$ worden gemapt naar een vezel $F_\xi$ binnen een verhoogde ruimte $Z$. Deze encoder, $\Phi(x, \xi)$, zorgt ervoor dat latente representaties voor verschillende omgevingen geometrisch gescheiden zijn, conform de vezelbundelstructuur $\pi: Z \to E$.

2. Omgevingsgeconditioneerde Koopman Backbone:
   De latente toestand wordt verder verhoogd naar een observeerbare ruimte $\psi$ via $\Psi(z)$. De dynamica wordt gemodelleerd als:
   $$\dot{\psi} = K(\xi)\psi + B(\xi)u + r_\theta(\psi, u, \xi)$$
   Hier zijn $K(\xi)$ en $B(\xi)$ matrices geconditioneerd op de omgeving $\xi$ (gegenereerd door kleine MLP-heads). Cruciaal is dat $K(\xi)$ geparametriseerd is om bij constructie Hurwitz te zijn met behulp van een Persidskii-type decompositie:
   $$K(\xi) = -\frac{1}{2}Q(\xi)^\top Q(\xi) + S(\xi)$$
   waarbij $S(\xi)$ anti-symmetrisch is. Dit garandeert dat het symmetrische deel van $K(\xi)$ negatief semidefiniet is, wat contractie richting de nominale oplossing garandeert.

3. Residual Neural ODE Correctie:
   Een residuele term $r_\theta$ corrigeert de lineaire benadering. De Jacobiaan ervan is beperkt zodat deze aan een kwadratische sectorbound voldoet, wat ervoor zorgt dat de niet-lineariteit de stabiliteitscondities niet schendt.

Stabiliteitscertificering en Training
Het framework maakt gebruik van een Lyapunov-gebaseerde ISS-regularisatie. Een kwadratische Lyapunov-kandidaat $V(\psi) = \psi^\top P \psi$ wordt gezamenlijk met het model geleerd. De trainingsdoelstelling bevat een strafterm ($L_{ISS}$) die een Lyapunov-afnameconditie afdwingt:
$$\dot{V} \leq -\alpha V + \gamma |w|^2$$
Deze conditie is geformuleerd als een Lineaire Matrix Ongelijkheid (LMI) waarbij de geleerde parameters $P$, de gain $\gamma$ en de sector-multiplier $\lambda$ betrokken zijn. In tegenstelling tot post-hoc verificatie, is deze LMI onderdeel van de differentiabele trainingsverliesfunctie, wat de optimizer aandrijft om de ISS-gain $\gamma$ te minimaliseren terwijl de stabiliteitsrestricties worden nageleefd. De totale loss combineert voorspellingsfout, ISS-regularisatie, reconstructieverlies en Control Barrier Function (CBF) straffen.

Belangrijkste Bijdragen

1. Bundle-Aware Koopman Lifting: Een nieuwe encoder die toestanden naar omgeving-specifieke vezels mapt, waardoor geometrische restricties worden gescheiden van de dynamische evolutie.
2. Lyapunov-gebaseerde ISS-regularisatie: Een differentiabele verliesfunctie die een kwadratische afnameconditie afdwingt tijdens de training, wat resulteert in een gesloten vorm van de ISS-gain bij convergentie.
3. Theoretische Garanties:
   • Bewijs van vezelinvariantie voor de bundle coördinatenkaart.
   • Bewijs van ISS voor latente dynamica met een expliciete gain-formule.
   • Afleiding van een benaderingsfout-grens die de voorspellings-RMSE relateert aan de Extended Dynamic Mode Decomposition (EDMD) residu.
4. Empirische Validatie: Uitgebreide testen op vier benchmarktaken (pendel, cart-pole, unicycle navigatie en een 7-DOF manipulator) die een superieur rendement laten zien ten opzrespect van bestaande baselines.

Experimentele Resultaten
Experimenten werden uitgevoerd op vier taken met variërende fysieke parameters (bijv. staaflengte, massa, wrijving, lading) en externe verstoringen. Het framework werd vergeleken met vijf baselines: vanilla Neural ODE (NODE), Koopman-EDMD, Koopman+ISS (post-hoc), ControlSynth Neural ODE (CSODE) en ICODE.

• Voorspellingsnauwkeurigheid: ISS-BKNO behaalde de laagste Root Mean Square Error (RMSE) over alle taken. Opvallend genoeg vertoonde het een reductie van 58% in voorspellings-RMSE vergeleken met de vanilla Neural ODE.
• Robuustheid: Onder sinusvormige verstoringen behield ISS-BKNO een begrensde foutenenvelope die consistent is met de theoretische grenzen, terwijl modellen zonder expliciete ISS-certificaten (zoals NODE) persistente offsets accumuleerden.
• Stabiliteitshaalbaarheid: De methode bereikte een 100% LMI-haalbaarheidspercentage tijdens testen. In contrast hiermee faalden de post-hoc Koopman+ISS baselines in 6% van de test-episoden vanwege schendingen van de spectrale radius onder distributieverschuivingen.
• Generalisatie: De prestatiedegradatie verliep het meest geleidelijk nabij de grenzen van de trainingsdistributie, waarbij het beter presteerde dan baselines die geen expliciete vezelstructuren bezaten.

Betekenis en Claims
Het artikel claimt dat ISS-BKNO een verenigde oplossing biedt voor de uiteenlopende problemen van stabiliteit, omgevingsadaptatie en het afhandelen van geometrische restricties in data-gestuurde controle. Door vezelbundelgeometrie te integreren met een Hurwitz-geparametriseerde Koopman-backbone en een differentiabele ISS-regularisator, elimineert het framework de noodzaak voor post-hoc stabiliteitscontroles. De auteurs stellen dat deze aanpak de inzet van leer-gebaseerde controllers in veiligheidskritische omgevingen mogelijk maakt door globale convergentiegaranties en berekenbare ISS-gains direct vanuit het trainingsproces te bieden. De theoretische resultaten koppelen voorspellingsnauwkeurigheid direct aan het EDMD-residu, wat een principieel criterium biedt voor de selectie van de dictionary.