⚡ electrical engineering

Deep Koopman Learning using Noisy Data

Este artigo propõe uma estrutura de aprendizado de dados para aproximar o operador de Koopman sob observações ruidosas, caracterizando e mitigando o efeito do ruído através da atualização das funções observáveis, exigindo apenas que o ruído seja limitado e demonstrando desempenho superior em benchmarks padrão.

Autores originais: Wenjian Hao, Devesh Upadhyay, Shaoshuai Mou

Publicado 2026-03-16

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Wenjian Hao, Devesh Upadhyay, Shaoshuai Mou

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando aprender a dirigir um carro novo, mas o painel do carro tem um defeito: os ponteiros de velocidade e rotação tremem muito e mostram números errados de vez em quando. Além disso, o manual do carro (a física real) é um mistério completo. Como você aprende a dirigir com segurança se não pode confiar no que seus olhos veem?

É exatamente esse o problema que o artigo "Deep Koopman Learning using Noisy Data" (Aprendizado Profundo de Koopman usando Dados Ruidosos) tenta resolver.

Aqui está uma explicação simples, usando analogias do dia a dia:

1. O Problema: O Mundo é Caótico e os Dados são "Sujos"

Na vida real, sistemas complexos (como um foguete, um robô ou até o clima) são como máquinas de Rube Goldberg: tudo está conectado de formas não lineares e confusas. Para controlar essas máquinas, os engenheiros gostam de usar matemática linear (regras simples de "se A, então B"), porque é fácil de calcular.

O método Koopman é uma técnica mágica que tenta transformar esse caos não linear em uma linha reta (linear), elevando o sistema para um "espaço imaginário" mais alto. É como se você olhasse para um novelo de lã emaranhado e, de repente, conseguisse ver que, se você esticasse a lã em uma dimensão diferente, ela se tornaria uma linha reta perfeita.

O problema: Na vida real, os sensores (os "olhos" do robô) não são perfeitos. Eles têm "ruído" (erros, interferências, estática). Quando você tenta usar esses dados sujos para desenhar a linha reta perfeita, o resultado fica torto e o controle falha.

2. A Solução Proposta: O "Filtro de Ruído" Inteligente

Os autores, Wenjian Hao, Devesh Upadhyay e Shaoshuai Mou, criaram um novo método chamado DKND (Deep Koopman Learning with Noisy Data).

Pense no DKND como um chef de cozinha que sabe cozinhar mesmo com ingredientes imperfeitos.

O Ingrediente: Os dados de sensores (que estão "sujos" com ruído).
A Técnica: Em vez de tentar ignorar o ruído ou assumir que ele é pequeno demais para importar, o DKND assume que o ruído tem um limite (ele não pode ser infinito, o sensor não vai mostrar que o carro está viajando a 10.000 km/h se o limite físico for 200 km/h).

3. Como Funciona a "Mágica"? (A Analogia do Espelho Distorcido)

Imagine que você está tentando desenhar um retrato de alguém (o sistema real) usando apenas um espelho que está um pouco embaçado e distorcido (os dados ruidosos).

Métodos Antigos: Tentem desenhar o retrato ignorando o embaçamento. O resultado é um desenho que parece o sujeito, mas com os traços errados.
O Método DKND: Eles usam uma Rede Neural (um tipo de inteligência artificial que aprende padrões) como uma "lente ajustável".
1. A rede neural tenta entender como o ruído distorce a imagem.
2. Ela ajusta seus próprios parâmetros (como se fosse o foco de uma câmera) para compensar essa distorção.
3. O objetivo não é apenas acertar o desenho final, mas garantir que a "lente" (a função matemática) seja robusta o suficiente para que, mesmo com o embaçamento, o desenho final ainda seja útil para controlar o sistema.

Eles criaram uma fórmula matemática que diz: "Não vamos tentar adivinhar o valor exato do ruído (o que é impossível). Vamos apenas garantir que o nosso modelo funcione bem mesmo no pior cenário possível dentro do limite de erro conhecido."

4. Os Testes: O "Exame de Direção"

Para provar que funcionava, eles testaram o DKND em quatro cenários diferentes, como se fossem provas de direção:

Um sistema simples 2D: Como um carrinho de brinquedo.
Polegar de Cartola (Cartpole): O clássico jogo de equilibrar um pau em cima de um carrinho.
Lunar Lander: Pousar um módulo lunar (muito difícil e instável).
Veículo de Superfície: Um barco autônomo.

Eles aplicaram três tipos de "sujeira" nos dados:

Ruído Gaussiano: Como estática de rádio (pequenos erros aleatórios).
Ruído de Poisson: Como falhas em contagem de partículas.
Ruído Uniforme: Erros grandes e constantes dentro de uma faixa.

O Resultado: O DKND foi como o piloto que conseguiu pousar o foguete suavemente, enquanto os outros métodos (que não lidavam bem com o ruído) fizeram o foguete explodir ou bater no chão. O DKND conseguiu prever o movimento do sistema com muito mais precisão, mesmo com os dados "sujos".

5. Por que isso é importante?

Na vida real, quase nenhum sensor é perfeito. Se quisermos que carros autônomos, drones ou robôs cirúrgicos funcionem com segurança, eles precisam aprender a controlar sistemas complexos mesmo quando os dados dos sensores não são 100% fiéis.

Este trabalho é importante porque oferece uma ferramenta prática e robusta para engenheiros. Em vez de precisar de sensores caríssimos e perfeitos, eles podem usar sensores comuns e um algoritmo inteligente (o DKND) para compensar os erros, tornando os sistemas autônomos mais seguros e acessíveis.

Resumo em uma frase:
O artigo ensina a uma inteligência artificial como "ler entre as linhas" de dados imperfeitos e sujos, transformando o caos do mundo real em regras de controle simples e seguras, garantindo que robôs e máquinas não percam o rumo quando os sensores falham um pouco.

Resumo Técnico: Deep Koopman Learning using Noisy Data

1. Problema Abordado

O artigo aborda o desafio de aprender a dinâmica de sistemas não lineares complexos a partir de dados observados que contêm ruído de medição.

Contexto: Métodos baseados em operadores de Koopman permitem representar sistemas não lineares como sistemas lineares em um espaço de dimensão superior (espaço "levantado" ou lifted). A abordagem Deep Koopman Operator (DKO) utiliza Redes Neurais Profundas (DNNs) para aprender as funções observáveis necessárias para essa transformação linear.
Desafio Principal: Na prática, as medições de estado ( $y_t$ ) são corrompidas por ruído ( $w_t$ ). A presença de ruído nos dados de entrada e saída distorce as transformações não lineares realizadas pela DNN, levando a estimativas enviesadas do operador de Koopman e, consequentemente, a modelos de dinâmica imprecisos.
Limitação de Trabalhos Anteriores: Muitos métodos existentes exigem medições exatas dos estados ou utilizam técnicas como Mínimos Quadrados Totais (TLS) que podem não ser suficientes quando as transformações não lineares da DNN alteram a estrutura de correlação do ruído.

2. Metodologia Proposta (DKND)

Os autores propõem uma nova estrutura chamada Deep Koopman Learning with Noisy Data (DKND). A abordagem não tenta apenas minimizar o erro de previsão direta, mas modela explicitamente o impacto do ruído no processo de aprendizado.

Formulação do Problema:
O sistema é modelado como $x(t+1) = f(x(t), u(t))$ , onde apenas $y(t) = x(t) + w(t)$ é observado, com $w(t)$ sendo um ruído de medição desconhecido, mas limitado ( $\|w(t)\| \leq w_{max}$ ).
Estratégia de Otimização:
Em vez de minimizar diretamente o erro residual entre o estado real (desconhecido) e a previsão, o método minimiza um limitante superior (upper bound) desse erro.
1. Decomposição do Erro: O erro total é decomposto em duas partes:
  - O erro de ajuste do modelo aos dados ruidosos ( $y_t$ ).
  - A discrepância entre o modelo treinado com dados limpos (hipotéticos) e o modelo treinado com dados ruidosos.
2. Função de Perda Proposta: Os autores derivam uma nova função de perda ( $\hat{L}_f$ $\hat{L}_{f}$ ) que combina:
  - O erro de reconstrução no espaço levantado e no espaço original.
  - Um termo de regularização ( $\hat{L}_{f,2}$ ) que quantifica a sensibilidade do modelo ao ruído. Este termo é derivado teoricamente para garantir que, ao minimizá-lo, a diferença entre a dinâmica real e a estimada seja minimizada, mesmo na presença de ruído limitado.
3. Algoritmo Iterativo (DKND):
  - Utiliza uma abordagem de otimização alternada.
  - Em cada iteração, as matrizes lineares do operador de Koopman ( $A, B, C$ ) são atualizadas via pseudo-inversa (Mínimos Quadrados) para os parâmetros atuais da DNN.
  - Em seguida, os parâmetros da DNN ( $\theta$ ) são atualizados via descida de gradiente para minimizar a função de perda total, que inclui o termo de robustez ao ruído.

3. Contribuições Principais

Novo Framework de Aprendizado: Introdução de um método de aprendizado de dados que lida especificamente com ruído de medição limitado em sistemas não lineares, sem exigir conhecimento prévio da distribuição exata do ruído, apenas o seu limite superior.
Caracterização Teórica do Ruído: Desenvolvimento de uma formulação matemática que caracteriza como o ruído de medição afeta as funções observáveis derivadas da DNN e como mitigar esse efeito ajustando os parâmetros da rede.
Função de Perda Robusta: Proposta de uma função de perda composta que atua como um limitante superior para o erro de estimação, garantindo maior estabilidade e robustez comparada aos métodos tradicionais de DKO.
Implementação Prática: O método é projetado para ser fácil de implementar, modificando apenas a função de perda existente em métodos Deep Koopman, sem alterar a arquitetura da rede neural subjacente.

4. Resultados Experimentais

O método foi validado em quatro cenários de benchmark:

Dinâmica linear 2D simples.
Cartpole (balanço de pêndulo invertido).
Lunar Lander (aterrissagem lunar).
Veículo de Superfície Não Tripulado (USV) - dado do mundo real.

Configuração:

Testes realizados com três tipos de ruído: Gaussiano, Poisson e Uniforme.
Comparação com três métodos baselines: DKO padrão (DK), DMD com Mínimos Quadrados Totais (DMDTLS) e uma Rede Perceptron Multicamada (MLP) padrão.

Desempenho:

Precisão: O método DKND apresentou consistentemente o menor Desvio Padrão da Raiz do Erro Quadrático Médio (RMSD) nos dados de teste em todos os cenários e tipos de ruído.
Robustez: A vantagem do DKND tornou-se mais pronunciada à medida que a complexidade do sistema e a magnitude do ruído aumentavam.
- Em cenários com ruído uniforme de alta amplitude, o DKND superou significativamente o DKO padrão e o MLP.
- O DMDTLS mostrou desempenho instável e erros muito altos em sistemas não lineares complexos (ex: Lunar Lander e Cartpole).
Estabilidade: O desvio padrão dos resultados (sobre 10 execuções) foi menor para o DKND, indicando maior consistência na convergência.

5. Significado e Conclusão

Este trabalho é significativo porque preenche uma lacuna crítica na aplicação de métodos de Koopman baseados em aprendizado profundo para controle e modelagem de sistemas reais.

Viabilidade Prática: Demonstra que é possível obter modelos de dinâmica precisos para controle (onde a precisão é vital) mesmo quando os sensores fornecem dados imperfeitos.
Generalização: A abordagem não depende de suposições restritivas sobre a natureza do ruído (apenas que seja limitado), tornando-a aplicável a uma vasta gama de sistemas físicos e robóticos.
Limitações e Futuro: O artigo reconhece que a dependência do limite de ruído ( $w_{max}$ ) não foi formalmente investigada em termos de impacto no desempenho e que a otimização não convexa das DNNs ainda pode levar a mínimos locais. Trabalhos futuros focarão no uso desses modelos aprendidos para estratégias de controle ótimo.

Em resumo, o DKND oferece uma solução robusta e teoricamente fundamentada para o problema de aprendizado de dinâmicas não lineares na presença de ruído, superando os métodos atuais em precisão e estabilidade.