Families of Control-Cost-Parametrized Inverse-Optimal Universal Stabilizers

Technische Samenvatting: Families van Controle-Kosten-Geparametriseerde Inverse-Optimale Universele Stabilisatoren

Probleemstelling
Het artikel behandelt een fundamentele beperking in de klassieke universele stabilisatie, specifiek Sontag's formule. Hoewel Sontag's formule globale asymptotische stabiliteit garandeert voor elk systeem dat een Control Lyapunov Function (CLF) bezit, biedt het geen ontwerpvrijheid aan de praktijkgebruiker; het is een enkelvoudig, parameterloos object. Daartegenover staat de Curtis–Beard-constructie, die een volledige familie van inverse-optimaal stabiliserende controllers biedt, maar die rust op twee toestandsafhankelijke functies met complexe, indirecte effecten op de transiënten in de gesloten lus, wat het moeilijk maakt om te interpreteren en af te stemmen. De auteurs beogen deze kloof te overbruggen door een geparametriseerde familie van stabiliserende feedbackwetten te introduceren die expliciete ontwerpvrijheid biedt terwijl rigoureuze stabiliteits- en inverse-optimaliteitsgaranties behouden blijven.

Methodologie
Het voorgestelde kader, getiteld "half-direct-optimal", draait de traditionele volgorde van inverse-optimale ontwerpen om. In plaats van eerst een controller te construeren en vervolgens een kostenfunctional te identificeren die deze minimaliseert, schrijft de ontwerper eerst een scalaire functie $\gamma(s)$ voor die de lopende kosten op de besturingsinput representeert.

De methodologie verloopt via een driedelige constructie om de gekozen kostenfunctie $\gamma$ te mappen naar een nietlineaire "expander"-functie $\kappa$:

1. Differentiatie: Bereken de afgeleide $\gamma'$.
2. Algebraïsche Contractie: Definieer een "contractor"-functie $\Theta(s) = s - \gamma(s)/\gamma'(s)$.
3. Inversie: Definieer de expander als de inverse, $\kappa = \Theta^{-1}$.

Gegeven een CLF $V(x)$ en een nominale feedbackwet (zoals de Freeman-Kokotovic minimum-norm formule of de half-Sontag formule), wordt de uiteindelijke stabiliserende feedback $u^*(x)$ geconstrueerd door de expander $\kappa$ toe te passen op de magnitude van de nominale controle: $u^*(x) = \text{sgn}(u_0(x))\kappa(|u_0(x)|)$.

Om praktische implementatie te vergemakkelijken, stelt het artikel vast dat de mapping $\mathcal{K}: \gamma \mapsto \kappa$ Lipschitz-continu is op compacte deelverzamelingen van de relevante functieruimte. Deze regulariteit maakt het mogelijk dat de gehele familie van controllers uniform benaderd kan worden door een enkele getrainde Neural Operator (specifiek een Fourier Neural Operator). Dit maakt offline exploratie van de ontwerperuimte en online adaptatie mogelijk zonder bij elke tijdstap het oneindig-dimensionale inversieprobleem op te lossen.

Kernbijdragen

1. Half-Direct-Optimal Ontwerpparadigma: Het artikel introduceert een familie van stabilisatoren waarbij de controlekosten $\gamma$ de primaire ontwerp-parameter zijn. Elke controller in deze familie is bewezen de unieke minimizer te zijn van een oneindig-horizontale kostenfunctional met de voorgeschreven controle-straf $\gamma$ en een geïnduceerde toestandsstraf $q(x)$.
2. Lipschitzheid en Leerbaarheid: De auteurs bewijzen dat de operator die de controlekosten $\gamma$ naar de expander $\kappa$ mapt, Lipschitz is. Dit theoretische resultaat garandeert dat neurale operatoren de mapping met willekeurige nauwkeurigheid kunnen benaderen, waardoor de theoretische constructie wordt getransformeerd tot een schaalbare engineeringtool.
3. Stabiliteit en Nabij-Optimaliteit onder Approximatie: Het artikel stelt vast dat wanneer de expander wordt benaderd door een neurale operator, de resulterende feedbackwet semiglobale praktische asymptotische stabiliteit (SPAS) behoudt. Bovendien kwantificeert het het prestatieverlies: de geïnduceerde toestands-kostvervorming is een tweede-orde perturbatie ($O(\epsilon^2)$) ten opzichte van de benaderingsfout $\epsilon$ van de neurale operator. Ook wordt een optimaliteitsgrens voor een eindig horizon afgeleid om het prestatieverschil tussen de benaderde en exacte controllers te meten.

Resultaten
De theoretische resultaten worden numeriek geïllustreerd met behulp van een unicycle dynamica-model. De studie vergelijkt drie controllers:

• De exacte inverse-optimale controller (berekend via bisection).
• De door een neural operator benaderde controller.
• De nominale half-Sontag controller (kwadratische kosten).

De numerieke resultaten laten zien dat de door een neurale operator benaderde controller visueel ononderscheidbaar is van de exacte oplossing in de trajecten van de gesloten lus. De geleerde controller slaagt erin het systeem naar de oorsprong te drijven, waarbij stabiliteit behouden blijft. De resultaten bevestigen dat hoewel de exacte inverse-optimale ontwerper meer agressieve transiënten en snellere CLF-convergentie oplevert (ten koste van hogere controle-inspanning), de neurale benadering de expander-mapping getrouw repliceert, wat de haalbaarheid van het gebruik van machine learning voor de realtime inzet van deze parametrische familie valideert.

Betekenis
Het artikel beweert universele controle te transformeren van een theoretisch existentie-resultaat naar een praktische engineeringtool. Door de praktijkgebruiker toe te staan een kostenfunctie $\gamma$ te selecteren die specifieke voorkeuren codeert voor ofwel agressiviteit of voorzichtigheid in de besturing, biedt het kader een systematische manier om het transiënte gedrag vorm te geven. De "half-direct-optimale" aard van het ontwerp zorgt ervoor dat prestatie-vormgeving en inverse-optimaliteit niet met elkaar in strijd zijn, maar intrinsieke eigenschappen zijn van hetzelfde object. De integratie van neurale operatoren maakt het "schaalbare" gebruik van deze controllers mogelijk, wat massale offline prestatie-exploratie en online adaptatie mogelijk maakt, waardoor de theoretische elegantie van universele stabilisatie toegankelijk wordt voor praktische toepassingen.

Noot: Het artikel merkt expliciet op dat het duale probleem — waarbij de toestandsstraf willekeurig is en de controlekosten geïnduceerd worden — eenvoudiger is en buiten de scope van dit werk valt. Het huidige werk richt zich op het geval waarbij de controlekosten de ontwerp-input zijn.