⚡ electrical engineering

Gaussian behaviors and stochastic data-driven control

Dit artikel introduceert "Gaussian behaviors", een hanteerbaar stochastisch modelleringskader dat deterministische LTI-systemen met Gaussische ruis uitbreidt om convexe, datagedreven predictieve controlemethoden mogelijk te maken die zowel aleatorische als epistemische onzekerheid expliciet rekening houden via eindige-steekproef betrouwbaarheidsgrenzen.

Oorspronkelijke auteurs: András Sasfi, Alberto Padoan, Ivan Markovsky, Florian Dörfler

Gepubliceerd 2026-07-20

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: András Sasfi, Alberto Padoan, Ivan Markovsky, Florian Dörfler

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

De Kunst van het Goed Raden: Wanneer Machines Leren van Fouten

Stel je voor dat je een robot probeert te leren hoe hij een auto moet besturen. In de oude dagen zouden ingenieurs jarenlang een enorm handboek schrijven waarin elke mogelijke hobbel, bocht en windvlaag die de auto zou kunnen tegenkomen, wordt beschreven. Dit wordt "modellering" genoemd. Maar wat als de wereld te chaotisch is voor een handboek? Wat als de auto rijdt op een planeet waar de natuurkunde elke dinsdag een klein beetje verandert?

Dit is waar een vakgebied genaamd data-gestuurde controle (data-driven control) om de hoek komt kijken. In plaats van een handboek te schrijven, laat je de robot gewoon duizend video's zien van de auto die rijdt. De robot kijkt naar de patronen in de video's en begrijpt: "Oké, als ik het stuur naar links draai, gaat de auto naar links." Dit werkt geweldig als de video's perfect zijn. Maar in de echte wereld is data rommelig. Soms glijdt de auto op ijs (willekeurige ruis), en soms heeft de robot niet genoeg video's gezien om te weten wat hij in een nieuwe situatie moet doen (gebrek aan kennis).

De grote vraag die wetenschappers stellen is: Hoe bouwen we een controller die niet alleen het gemiddelde pad raadt, maar ook begrijpt hoe onzeker het is? Als de robot het niet zeker weet, moet hij voorzichtig zijn. Als hij het wel zeker weet, kan hij gedurfd zijn. Dit artikel duikt in exact dat probleem, in een poging machines een beter gevoel voor "onderbuikgevoel" te geven op basis van de data die ze hebben gezien.

Het Papier: Een Robot een "Onderbuikgevoel" Geven

De auteurs van dit papier, András Sasfi en zijn team, hebben een nieuwe manier uitgevonden om te beschrijven hoe machines leren van rommelige data. Ze noemen hun uitvinding "Gaussiaanse Gedragingen" (Gaussian Behavers).

Om te begrijpen wat dit is, stel je voor dat je probeert het pad van een stuiterende bal te voorspellen.

Het Deterministische Deel: Je kent de basisregels van de natuurkunde. Als je de bal onder een bepaalde hoek werpt, zou deze een specifieke, vloeiende curve moeten volgen. In de taal van het papier is dit het "nominale gedrag". Het is het perfecte, zuivere pad dat de bal wil afleggen.
Het Ruis-Deel: Maar in de werkelijkheid waait de wind, is de vloer hobbelig en kan de bal wiebelen. Dit is de "Gaussiaanse ruis". Het is de willekeurige trilling die de bal van zijn perfecte pad afduwt.

Het papier stelt een framework voor dat deze twee combineert. Het behandelt het systeem niet als een starre machine, maar als een "wolk" van mogelijkheden. Het centrum van de wolk is het perfecte pad, en de grootte van de wolk vertegenwoordigt hoeveel de bal kan wiebelen. Het slimme deel? Ze laten zien hoe je de grootte en vorm van deze wolk direct uit de data kunt berekenen, zonder de exacte natuurkunde van de wind of de vloer te hoeven kennen.

De Magische Truc: De Toekomst Voorspellen

De auteurs laten zien dat als je een hoop gegevens uit het verleden hebt (zoals een video van de stuiterende bal), je een eenvoudige wiskundige truc kunt gebruiken om te voorspellen waar de bal zich hierna zal bevinden.

Het Gemiddelde (The Mean): Dit is de "beste gok". Het is het centrum van de wolk. Het papier bewijst dat deze beste gok exact hetzelfde is als de methoden die wetenschappers al jaren gebruiken (genaamd "Subspace Predictive Control").
De Onzekerheid: Dit is de nieuwe magie. De methode berekent ook hoe breed de wolk is. Als de data die je hebt oud of schaars is, wordt de wolk enorm, wat de robot vertelt: "Ik weet dit niet zeker!" Als de data vers en overvloedig is, krimpt de wolk en kan de robot zelfverzekerder zijn.

Twee Manieren van Rijden: De Voorzichtige versus de Optimist

Het papier onderzoekt twee verschillende manieren waarop een robot deze "wolk" van onzekerheid kan gebruiken om beslissingen te nemen.

1. De Voorzichtige Bestuurder (Robuuste Controle)
Stel je voor dat je door een mistig bos rijdt. Je weet dat de weg ergens voor je ligt, maar je kunt de randen niet zien. Een voorzichtige bestuurder blijft in het midden van de rijstrook en vermijdt de bomen, voor het geval ze dichterbij zijn dan ze lijken.
De "Robuuste" methode uit het papier doet precies dit. Het kijkt naar het slechtst denkbare scenario binnen de onzekerheidswolk. Het vraat: "Wat is het slechtst mogelijke pad dat de bal kan nemen, en hoe zorg ik ervoor dat ik niet crasht, zelfs als dat gebeurt?"

Het Resultaat: In hun tests op een veer-massa-systeem (een chique manier om een stuiterend speeltje te zeggen), was deze voorzichtige methode veel beter dan de andere. Terwijl andere methoden probeerden te gedurfd te zijn en daardoor het doel overschoten, bleef de voorzichtige methode dicht bij het plan, zelfs toen de data rommelig was. Het zei in feite: "Ik vertrouw de data niet genoeg om risico's te nemen, dus ik neem de veilige route."

2. De Optimistische Bestuurder (De "DeePC" Connectie)
Stel je nu een bestuurder voor die denkt: "De mist is slechts een illusie! De weg ligt waarschijnlijk hier, dus ik rijd snel."
Het papier laat zien dat een populaire bestaande methode genaamd DeePC (Data-enabled Predictive Control) als deze optimistische bestuurder werkt. Het gaat uit van het best mogelijke scenario binnen de onzekerheidswolk. De auteurs vonden dat dit verklaart waarom DeePC werkt zoals het werkt: het is in feite wedden op geluk.

De Haken en Oor: Het papier suggereert dat hoewel dit optimisme kan werken, het risicovol is. Als de onzekerheid groot is (de mist is dik), kan wedden op het beste gevalscenario tot grote fouten leiden. De auteurs laten zien dat je door een "regelknop" aan te passen (een parameter genaamd $\lambda$ ), kunt schakelen van super optimistisch naar meer voorzichtig, waardoor je DeePC effectief verandert in een veiligere bestuurder.

Het Geheime Wapen: Luisteren naar de Fouten

Het papier introduceert ook een superkracht genaamd "Disturbance Affine Feedback".
Stel je voor dat je rijdt en je voelt dat de auto lichtjes naar links afwijdt. Een normale bestuurder zou gewoon recht blijven sturen, in de hoop dat het zichzelf corrigeert. Maar een slimme bestuurder draait onmiddellijk het stuur iets naar rechts om de afwijking te corrigeren terwijl deze plaatsvindt.
De auteurs laten zien dat door de robot zijn sturing te laten aanpassen op basis van de fouten die hij in realtime ziet (het verschil tussen waar hij dacht dat de bal zou zijn en waar de bal daadwerkelijk is), hij de onzekerheidswolk kan verkleinen.

De Test: Ze testten dit op een gebouwverwarmingssysteem (HVAC). Ze simuleerden een koude dag waarbij de buitentemperatuur onvoorspelbaar was.
- De "Oude Manier" (Open-loop) moest de verwarming op hoog houden om maar veilig te zijn, omdat het niet kon reageren op fouten.
- De "Nieuwe Manier" (Feedback) reageerde direct op de temperatuurveranderingen. Omdat het zijn fouten onderweg kon herstellen, hoefde het niet zo voorzichtig te zijn.
- De Winst: Deze nieuwe methode bespaarde 77% van de energiekosten vergeleken met de oude manier, terwijl de kamertemperatuur veilig bleef.

Wat Ze Niet Hebben Gedaan (En Waarom Dat Er Toe Doet)

Het is belangrijk om te weten wat dit papier niet beweert.

Het zegt niet dat de robot nu perfect is. De simulaties laten zien dat de methoden goed werken, maar ze zijn nog steeds gebaseerd op schattingen.
Het beweert niet elk type onzekerheid op te lossen. Het papier richt zich op "Gaussiaanse" (klokcurve) ruis. Als de ruis vreemd en onvoorspelbaar is op een niet-klokvormige manier, heeft deze specifieke methode mogelijk aanpassingen nodig.
Het voert expliciet een argument tegen methoden die onzekerheid negeren. Het papier laat zien dat als je doet alsof de data perfect is (de "wolk" negeert), je eindigt met controllers die ofwel te riskant zijn (DeePC zonder afstemming) of te conservatief (standaard methoden).

De Kern van het Verhaal

Dit papier is alsof je een robot een bril geeft waarmee hij niet alleen de weg ziet, maar ook de mist. Het biedt een wiskundig instrumentarium om ruwe, rommelige data om te zetten in een "vertrouwenskaart".

Als de kaart zegt "Mistig", rijdt de robot langzaam en voorzichtig (Robuuste Controle).
Als de kaart zegt "Helder", rijdt de robot efficiënt.
En als de robot een "stuur" heeft dat in realtime reageert op fouten (Feedback), kan hij zelfs nog efficiënter rijden, wat energie en geld bespaart.

De auteurs demonstreren via simulaties dat deze aanpak niet alleen een theoretisch idee is, maar een praktisch hulpmiddel dat machines veiliger, slimmer en efficiënter kan maken in de echte wereld. Ze hebben het probleem van onzekerheid niet voor altijd opgelost, maar ze hebben ingenieurs een veel betere kaart aanreikt om erdoorheen te navigeren.

Technische Samenvatting: Gaussische Gedragingen en Stochastische Data-gestuurde Controle

Probleemstelling
Data-gedreven predictieve controle (DDPC) is een krachtig alternatief geworden voor model-gebaseerde Model Predictive Control (MPC) door beleidsregels direct te synthetiseren uit gemeten data, gebruikmakend van de gedragstheorie van systemen. Hoewel deze methoden vaak goed presteren met regularisatie, missen ze een intrinsiek stochastisch kader omdat ze fundamenteel gebaseerd zijn op deterministische Lineaire Tijd-Invariante (LTI) gedragingen. Bijgevolg wordt onzekerheid doorga af hand \textit{a posteriori} behandeld via robustificatie of door variantie te negeren, wat leidt tot risiconutrale ontwerpen die ofwel te conservatief kunnen zijn, ofwel niet rekening houden met aleatorische (inherente) en epistemische (data-beperkte) onzekerheden. Er is behoefte aan een stochastisch gedragskader dat zowel wiskundig rigoureus als computationeel hanteerbaar is voor data-gedreven controleontwerp.

Methodologie
De auteurs stellen een kader voor genaamd Gaussische Gedragingen (Gaussian Behaviors), dat een deterministisch LTI-gedrag aanvult met een Gaussische ruiscomponent.

Definitie van Gaussische Gedragingen: Een Gaussisch gedrag wordt gedefinieerd als een paar $(B_L, \Sigma_e)$ , waarbij $B_L$ een deterministisch eindig-horizon LTI-gedrag is (een deelverzameling van geldige trajecten) en $\Sigma_e$ een positief semi-definiete covariantie-matrix is die exogene stochastiek vertegenwoordigt. Elk traject $w$ wordt ontleed in een nominaal component $\bar{w} \in B_L$ en een ruisterm $e \sim \mathcal{N}(0, \Sigma_e)$ . Dit kader wordt aangetoond een hanteerbare subklasse te zijn van abstracte stochastische gedragingen en omvat klassieke parametrische stochastische toestandsruimtemodellen.
Identificatie en Predictie:
- Het kader leidt een predictiemethode af door het Gaussische gedrag te conditioneren op het bekende deel van een traject (beginvoorwaarden en toekomstige inputs).
- De predictieve distributie wordt direct geïdentificeerd uit de steekproefcovariantie van de trajectdata. Het gemiddelde van deze distributie komt overeen met de gevestigde subspace-predictor, terwijl de covariantie de predictie-onzekerheid vastlegt.
- Cruciaal is dat de auteurs een eindige-steekproef betrouwbaarheidsgrens afleiden die zowel rekening houdt met aleatorische onzekerheid (proces-/meetruis) als epistemische onzekerheid (voortvloeiend uit beperkte data). Deze grens definieert een betrouwbaarheidscel voor de voorspelde outputs.
- De methode wordt uitgebreid om onzekere voorspellingen van externe variabelen (bijv. het weer) te incorporeren door voorspellingsfouten als onderdeel van de exogene ruis te behandelen, waardoor de identificatie van ongestructureerde onzekerheid direct uit data mogelijk wordt.
Controleformuleringen:
- Kansgestuurde Controle (Aleatorische Onzekerheid): De auteurs formuleren een stochastisch predictief controlevraagstuk waarbij de verwachte kosten worden geminimaliseerd onder individuele kansrestricties op outputs en inputs.
  - Feedforward: Het beperken van inputs tot deterministische waarden herstelt de standaard Subspace Predictive Control (SPC) wanneer risico wordt genegeerd, of een risico-bewuste variant wanneer restricties worden afgedwongen.
  - Disturbance Affine Feedback: Het kader optimaliseert over disturbance affine feedback-policies ( $u_f = K e_{pred} + \bar{u}_f$ ). Dit stelt de controller in staat om de output-covariantie actief vorm te geven, wat minder conservatisme oplevert dan open-loop feedforward-strategieën. Het resulterende probleem wordt geherformuleerd als een hanteerbaar convex optimalisatieprobleem.
- Robuuste Controle (Aleatorische + Epistemische Onzekerheid): Om de onzekerheid door eindige data aan te pakken, stellen de auteurs een robuuste formulering voor die de slechtst denkbare kosten minimaliseert over de betrouwbaarheidscel afgeleid van de eindige-steekproefgrens.
  - Met behulp van Lagrangiaanse dualiteit wordt het niet-convexe min-max probleem begrensd door een hanteerbaar convex probleem. Dit levert een conservatieve controller op die beschermt tegen de slechtst denkbare realisatie binnen de data-gedreven betrouwbaarheidsregio.
  - Omgekeerd wordt getoond dat een "optimistische" formulering (min-min) het geregulariseerde Data-enabled Predictive Control (DeePC) algoritme herstelt, wat een stochastische interpretatie biedt voor de regularisatie van DeePC als een optimistische houding ten opzhenne van predictie-onzekerheid.

Belangrijkste Bijdragen

Gaussische Gedragingen Kader: Introductie van een pragmatisch, spaarzaam stochastisch modelleringskader binnen de gedragstheorie van systemen dat deterministische gedragingen verenigt met Gaussische ruis, waarbij parametrische stochastische modellen worden omvat.
Data-gedreven Predictie met Onzekerheidsgrenzen: Afleiding van een lineaire predictiemethode die direct wordt geïdentificeerd uit de steekproefcovariantie, vergezeld van een eindige-steekproef betrouwbaarheidsgrens die zowel aleatorische als epistemische onzekerheid expliciet kwantificeert.
Stochastische Controle met Feedback: Ontwikkeling van kansgestuurde controleformuleringen die optimaliseren over disturbance affine feedback-policies, waarbij wordt aangetoond dat deze policies het conservatisme verminderen door de predictie-onzekerheid actief te beheren.
Robuuste en Optimistische Interpretaties: Afleiding van een robuuste controleformulering met een hanteerbare convexe bovengrens voor de slechtst denkbare kosten, en de demonstratie dat de optimistische tegenhanger de geregulariseerde DeePC herstelt, waardoor bestaande data-gedreven methoden worden verbonden aan stochastische interpretaties.

Resultaten
Het artikel valideert de voorgestelde methoden via twee numerieke casestudies:

Dubbel Veer-Massa-Dempingsysteem: In een scenario met ongelijkmatig geëxciteerde offline data (wat leidt tot hoge epistemische onzekerheid in bepaalde inputkanalen), presteerde de voorgestelde robuuste methode (GB-Robust) beter dan SPC, DeePC en een risiconutrale parametrische methode (MSM-SMPC). GB-Robust trad voorzichtig op, vermeed inputkanalen met hoge onzekerheid en behaalde lagere gerealiseerde controlekosten met een kleinere variantie vergeleken met concurrenten, die significant afweken van het voorspelde gemiddelde.
HVAC Gebouwcontrole: De studie demonstreerde de integratie van onzekere weervoorspellingen in de predictieve distributie. Bij de vergelijking tussen feedforward versus disturbance affine feedback-policies, maakte de feedback-policy de controller in staat om trajecten dichter bij comfortrestricties te plannen door te reageren op gerealiseerde fouten. Dit resulteerde in een reductie van 77% in de closed-loop controlekosten (verwarming/koeling) vergeleken met de feedforward-formulering, terwijl de veiligheidsrestricties werden gehandhaafd.

Betekenis en Claims
De auteurs beweren dat dit werk een noodzakelijke uitbreiding is van de gedragstheorie naar de stochastische setting, wat het ontwerp van eenvoudige en pragmatische stochastische data-gedreven controleformuleringen mogelijk maakt. Het kader overbrugt de kloof tussen de theoretische elegantie van de gedragstheorie en de praktische noodzaak om onzekerheid te behandelen in controleontwerp. Door SPC en DeePC als speciale gevallen te herstellen (respectievelijk respectievelijk alleen-gemiddelde en optimistisch), verenigt het framework bestaande benaderingen onder één enkele stochastische paraplu. De voorgestelde robuuste en feedback-gebaseerde methoden bieden een systematische manier om beide soorten onzekerheid (aleatorisch en epistemisch) aan te pakken zonder te vertrouwen op expliciete parametrische modelidentificatie, waardoor het conservatisme van traditionele data-gedreven benaderingen wordt verminderd terwijl de computationele hanteerbaarheid behouden blijft.