⚡ electrical engineering

Input-to-State Stability Certification via Projection Residuals for Koopman Learning Control of Nonlinear Repetitive Systems

Dit artikel stelt een datagedreven framework voor de certificering van Input-to-State Stability (ISS) voor Koopman-lerende regeling van onbekende nietlineaire repetitieve systemen vast, waarbij wordt aangetoond dat praktische stabiliteit over eindige trial-horizonten niet alleen afhangt van voorspellingsnauwkeurigheid, maar kritiek afhangt van kanaalmarges en de expliciete verwerking van projectierestwaarden.

Oorspronkelijke auteurs: Yue Wu, Ye Cao, Jianfu Cao

Gepubliceerd 2026-07-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yue Wu, Ye Cao, Jianfu Cao

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot leert om een repetitieve taak uit te voeren, zoals het stapelen van dozen of het spuiten van een autodeur. Je wilt dat de robot beter wordt bij elke poging (elke "trial"). Dit wordt Iterative Learning Control genoemd.

Echter, de robot kent de exacte fysica van de wereld niet (het is "onbekend"). Daarom gebruikt hij een "slimme gok" model (een Koopman-model) gebaseerd op eerdere gegevens om te bepalen hoe hij zijn bewegingen voor de volgende poging moet aanpassen.

Het probleem is: Alleen omdat het model van de robot de toekomst goed voorspelt, betekent dit niet dat de robot daadwerkelijk beter wordt in de taak. Het model kan accuraat zijn, maar als de robot fysiek beperkt is (zoals een auto die niet in een rechte lijn kan draaien) of als de gegevens net even afwijken, kan de robot daadwerkelijk slechter worden of crashen.

Dit paper is als een veiligheidsinspecteur die controleert of het leerplan van de robot daadwerkelijk veilig is voordat hij begint. Het verzint geen nieuwe manier voor de robot om te leren; in plaats daarvan biedt het een wiskundig "certificaat" dat garandeert dat de robot niet van de rails raakt.

Hier is hoe het paper de veiligheidscontrole onderverdeelt met behulp van eenvoudige analogieën:

1. Het "Veiligheidscertificaat" (Input-to-State Stability)

Denk aan het leerproces van de robot als een bal die een heuvel afrolt.

Het Doel: We willen dat de bal stopt met rollen en tot rust komt in een kleine, veilige vallei (de "ultimate band").
Het Gevaar: Wind, bulten en oneffenheden (verstoringen, ruis en model-fouten) blijven de bal duwen.
Het Certificaat: De auteurs bewijzen dat de bal, zelfs met al deze bulten, uiteindelijk in die veilige vallei zal tot rust komen, mits de "helling" van de heuvel steil genoeg is. Ze berekenen precies hoe groot die vallei zal zijn op basis van hoe bobbelig de weg is.

2. De Drie Grote Controles

Het paper betoogt dat je niet alleen kunt kijken naar hoe goed het model de toekomst voorspelt (voorspellingsnauwkeurigheid). Je moet drie specifieke tests doorstaan om het veiligheidscertificaat te krijgen:

A. De "Weak Channel" Check (Kan de robot het daadwerkelijk?)

Stel je voor dat je een bezorger vraagt om een zware bank naar een specifieke plek te verplaatsen.

Het Model: De bezorger heeft een perfecte kaart en weet precies waar de bank staat.
Het Probleem: De bank is te zwaar, of de gang is te smal. Zelfs met een perfecte kaart kan de bezorger de bank niet naar die exacte plek verplaatsen.
Het Inzicht van het Paper: Als het "kanaal" van de robot (het vermogen om een commando om te zetten in een beweging) "zwak" is (zoals een smalle gang), dan faalt het veiligheidscertificaat, zelfs als de kaart perfect is. Het paper controleert of de robot genoeg "spierkracht" en ruimte heeft om de gevraagde beweging daadwerkelijk te maken.

B. De "Projection Residual" Check (Het onbereikbare doel)

Soms vraagt de robot om een beweging die fysiek onmogelijk is gezien zijn beperkingen (zoals een auto die een vraagstuk van 90 graden direct moet draaien).

De Metafoor: Stel je voor dat je een taxichauffeur vertelt: "Ga exact naar punt X." Maar punt X bevindt zich binnenin een geblokkeerd gebouw. De chauffeur kan er dichtbij komen, maar niet daar.
Het Inzicht van het Paper: De "Projection Residual" is de afstand tussen waar de robot heen wil gaan en het dichtstbijzijnde punt dat hij daadwerkelijk kan bereiken. Het paper behandelt deze "onbereikbare kloof" als een gegarandeerde fout. Het voegt deze kloof toe aan het veiligheidsbudget, zodat de uiteindelijke "veilige vallei" groot genoeg is om deze kloof te dekken.

C. De "Real-World Noise" Check (De Kalibratie)

De robot leert van data, maar het echte leven is rommelig.

De Metafoor: Je test een nieuwe auto op een glad circuit (kalibratie), maar je gaat hem rijden op hobbelige stadswegen (implementatie).
Het Inzicht van het Paper: De auteurs gebruiken een statistische truc (genaamd "split-conformal prediction") om te meten hoeveel de echte wereld kan verschillen van het testcircuit. Ze voegen een "veiligheidsmarge" toe om rekening te houden met dit verschil, wat ervoor zorgt dat de robot veilig blijft, zelfs als de echte wereld iets slechter is dan de test.

3. Het Resultaat: Een "Veerige Zone"

In plaats van te beloven dat de robot perfect zal zijn (nul fout), belooft het paper dat de robot binnen een gegarandeerde veilige zone zal blijven.

Als de robot met een grote fout begint, zal deze snel krimpen.
Uiteindelijk zal hij tot rust komen in een klein, voorspelbaar bereik van fouten.
De omvang van dit bereik wordt voordat de robot begint berekend, op basis van de nauwkeurigheid van het model, de fysieke beperkingen van de robot en de verwachte ruis.

Samenvatting van het "Certificaat"

Het paper zegt: "Vertrouw niet alleen de voorspelling van het model. Controleer of de robot fysiek in staat is het doel te bereiken, controleer of het doel te ver weg is voor zijn beperkingen, en voeg een buffer toe voor de rommeligheid van de echte wereld. Als je dat allemaal doet, kunnen we wiskundig garanderen dat de robot veilig zal blijven en zal stoppen met verbeteren zoden zodra hij een specifieke, berekenbare limiet bereikt."

Als een van deze controles faalt (bijv. het kanaal is te zwak of de kloof is te groot), zegt het systeem "Niet Gecertificeerd" en weigert de robot te draaien, wat een mogelijke fout voorkomt. Dit is een verschuiving van "hopen dat het werkt" naar "weten hoe goed het zal werken."

Technische Samenvatting: Input-to-State Stability Certificering via Projectierestanten voor Koopman Learning Control

1. Probleemstelling

Het artikel behandelt de stabiliteitscertificering van data-gedreven Koopman learning control voor onbekende discrete-time nietlineaire repetitieve systemen die opereren over eindige trial-horizonten. In tegen tegenover de klassieke Iterative Learning Control (ILC), die vaak streeft naar nul-fout convergentie of nominale monotone convergentie, richt dit werk zich op praktische Input-to-State Stability (ISS) langs de leer-trial-as ( $k$ ).

De kernuitdaging die wordt geïdentificeerd is dat in data-gedreven settings een kleine voorspellingsresiduele (model-fit) geen stabiliteit garandeert. Stabiliteit hangt af van:

Kanaalinformativiteit: De geselecteerde eindige-horizon input-output kanaal moet een positieve marge (inverteerbaarheid) hebben om de gevraagde output-correctie te genereren.
Bereikbaarheid: De gevraagde output-increment moet binnen de beperkte bereikbare set van het geleerde kanaal liggen. Indien dit niet het geval is, ontstaat er een projectierestant (projection residual), die fungeert als een persistente verstoring.
Persistente Verstoringen: Factoren zoals reset-mismatch, niet-repetitieve verstoringen, fouten in kanaalidentificatie, deployment-shifts en numerieke toleranties verdwijnen niet over de trials heen.

Het doel is om een deterministisch certificaat te construëren dat de leerfout begrenst van een initiële staat tot een expliciete ultieme band, waarbij Koopman-residuen, projectierestanten en onzekerheden worden behandeld als ISS-inputs.

2. Methodologie

Systeemformulering

Het systeem wordt gemodelleerd als een nietlineaire repetitieve taak waarbij de staat $x_k(t)$ , de input $u_k(t)$ en de output $y_k(t)$ evolueren over een binnen-trial horizon $t \in \{0, \dots, N-1\}$ en een trial-index $k$ . De controller gebruikt een bevroren Koopman-operatorbenadering (via Extended Dynamic Mode Decomposition met Control, EDMDc) om inputs trial-voor-trial bij te werken.

De leerdynamica wordt geformuleerd als een discrete-time systeem op de trial-as:
$\bar{E}_k = \Lambda \bar{E}_{k-1} + r_k$
waarbij $\bar{E}_k$ de geselecteerde gestapelde tracking-fout is, $\Lambda$ een leermatrix is met $\|\Lambda\|_\infty < 1$ , en $r_k$ alle bronnen van perturbatie aggregeert.

Kerncomponenten van het Certificaat

De auteurs deconstrueren de perturbatie-term $r_k$ (de ISS-input) in specifieke, controleerbare componenten:

Koopman Residuen ( $\omega_k$ ): Model-mismatch en niet-repetitieve verstoringen.
Projectierestanten ( $p_k$ ): De afstand tussen de gevraagde output-increment en de beperkte bereikbare set van het geleerde kanaal. Dit is een structurele beperking, niet slechts een numerieke fout.
Kanaalonzekerheid ( $\Delta G_k \Delta U_k$ ): Fouten in de geleerde eindige-horizon kanaalmatrix.
Reset/Observabiliteits-perturbaties ( $\Delta O_k \Delta z_{k,0}$ ): Mismatches in beginsituaties en observabiliteit.
Deployment Shifts en Numerieke Toleranties: Verschillen tussen de kalibratie- en deployment-distributies, en solver-fouten.

Certificeringsprotocol

Het artikel stelt een rejection-capable certificeringsprocedure voor (Algoritme 1) die een kandidaat-controller valideert vóór deployment:

Model Fitting: Leer Koopman-matrices uit identificatiedata.
Marging-verificatie: Controleer of het geselecteerde kanaal een positieve onderste singuliere waarde marge heeft ( $\sigma_{\min} - \epsilon > 0$ ). Indien niet, wordt de kandidaat afgewezen (weak-channel non-certifiability).
Projectie-audit: Bereken het worst-case projectiebudget over de gecertificeerde request-set.
Invariantie-check: Verifieer dat de contractieconditie $\lambda R + P(R, \bar{Z}_0) + \bar{\xi} \leq R$ standhoudt, wat garandeert dat de fout binnen een gecertificeerde bal blijft.
Finite-Sample Kalibratie: Gebruik split-conformal prediction op een kalibratiedataset om de complete-episode residuele score te begrenzen met een gespecificeerd risiconiveau.

Theoretische Resultaten

Theorem 1 (Deterministische Praktische ISS): Stelt vast dat indien de kanaalmarge positief is en de perturbaties begrensd zijn, de leerfout geometrisch convergeert naar een ultieme band $\Delta_{ISS} = \bar{w} / (1-\lambda)$ , waarbij $\bar{w}$ het geaggregeerde perturbatiebudget is.
Theorem 2 (Finite-Sample ISS Budget): Biedt een probabilistische grens op $\bar{w}$ door de conformal residuele score te combineren met deterministische grenzen op kanaalonzekerheid, projectierestanten en deployment shifts.

3. Belangrijkste Bijdragen

Praktische ISS-formulering: Het artikel formuleert de stabiliteit van Koopman learning control als een praktische ISS-probleem langs de trial-as, waarbij model-fit expliciet wordt gescheiden van leer-certificeerbaarheid.
Projectierestanten als Stabiliteitsobjecten: Het identificeert projectierestanten en geselecteerde kanaalmarges als noodzakelijke objecten voor certificering. Het toont aan dat een voorspeller met kleine residuen nog steeds kan falen in stabiliteitscertificering als het kanaal zwak is of de request onbereikbaar is.
Berekenbaar Certificaatbudget: De auteurs bieden een methode om een expliciete ultieme band te construeren door het combineren van:
- Complete-episode residuele kalibratie (via split-conformal methoden).
- Eindige-horizon kanaal- en resetmarges.
- Projectierestanten.
- Implementatie marges (shift, numeriek).
Audit Framework: Er is een numeriek audit-framework ontwikkeld om elk onderdeel van de theorie te verifiëren (residual-to-band scaling, weak-channel rejection, projection closure, en ultimate-band coverage) in plaats van enkel de tracking-prestaties te vergelijken.

4. Numerieke Resultaten en Validatie

Het artikel valideert de theorie op vier nietlineaire repetitieve systemen: een Duffing-oscillator (closed-loop en budget audits), een cubic damping oscillator, en een nonlinear servo.

Residual-to-Band Scaling: Experimenten bevestigen dat het verhogen van verstoringen, ruis of model-mismatch de gecertificeerde ultieme band lineair vergroot, consistent met de ISS-gain $\gamma(s) = s/(1-\lambda)$ .
Weak-Channel Rejection: Casussen met "zwakke" geselecteerde kanalen (lage singuliere waarden) worden correct afgewezen door het certificaat, zelfs als hun voorspellingsresiduen klein zijn. Dit benadrukt dat voorspellingsnauwkeurigheid alleen onvoldoende is.
Projection Closure: De audit verifieert dat de gevraagde output-correcties binnen de beperkte bereikbare set blijven voor gecertificeerde kandidaten.
Ultimate Band Coverage: In succesvolle trials komen de geobserveerde tracking-fouten binnen de theoretisch voorspelde ultieme band en blijven deze daar ook.
Ablatie Studies: Het artikel toont aan dat "nominale" controllers (met een nul-residueel budget) falen in certificering, terwijl dezelfde controllers wel certificeerbaar worden wanneer het gekalibreerde residuele budget wordt toegevoegd. Omgekeerd vergroot het conservatief vergroten van het budget de ultieme band, wat de dekking behoudt.

5. Betekenis en Claims

Het artikel claimt een praktisch, data-gedreven stabiliteitscertificaat te bieden voor Koopman learning control dat fundamenteel verschilt van traditionele convergentieanalyse.

Scheiding van Belangen: Het scheidt rigoureus model-fit (voorspellingsresiduen) van control-certificeerbaarheid (kanaalmarges en bereikbaarheid). Een goede voorspeller is niet automatisch een stabiliserende controller.
Expliciete Grenzen: In tegenstelling tot asymptotische resultaten, biedt deze methode een expliciete, berekenbare ultieme grens op de tracking-fout vóór deployment, rekening houdend met eindige data, restricties en persistente verstoringen.
Robuustheid tegen Niet-Ideale Situaties: Het framework houdt expliciet rekening met reset-mismatch, deployment shifts en numerieke toleranties door deze te behandelen als ISS-inputs in plaats van ervan uit te gaan dat ze verdwijnen.
Beperkte Omvang: De auteurs benadrukken dat het resultaat een finite-horizon, taak-protocol-afhankelijk certificaat is. Het claimt geen universele stabiliteit voor willekeurige geleerde controllers, maar biedt een rigoureus audit-spoor voor specifieke, bevroren control-configuraties onder gedefinieerde protocollen.

De conclusie is dat Koopman learning control alleen als stabiel gecertificeerd kan worden wanneer model-residuen, projectierestanten en kanaalmarges als afzonderlijke, controleerbare stabiliteitskwantiteiten worden gerapporteerd.