Learning Flatness-Preserving Residuals for Pure-Feedback Systems

Enunciado do Problema
A nulidade diferencial (differential flatness) é uma propriedade poderosa que permite a transformação de sistemas não lineares em cadeias lineares de integradores, facilitando o planejamento de trajetórias e o controle por feedback de forma eficiente. No entanto, a nulidade é tipicamente estabelecida para modelos nominais idealizados. Na prática, dinâmicas não modeladas (como o arrasto aerodinâmico em quadrotores) degradam o desempenho do controle. Embora o aprendizado residual possa aproximar essas dinâmicas desconhecidas para melhorar a precisão do modelo, parametrizações residuais genéricas frequentemente destroem a propriedade de nulidade do sistema aumentado. Essa perda de nulidade torna os métodos padrão de planejamento e controle baseados em nulidade inaplicáveis. Além disso, mesmo que a nulidade seja preservada, muitas vezes não há um método sistemático para construir o novo difeomorfismo de nulidade (o mapeamento entre saídas planas e estado/controle) para o sistema aumentado.

Metodologia
Os autores propõem um framework para aprender dinâmicas residuais que preservam estritamente a nulidade diferencial de sistemas cujos modelos nominais admitem uma forma de feedback puro (pure-feedback form).

1. Restrição Estrutural: O artigo restringe a atenção a dinâmicas nominais $\bar{f}$ que podem ser expressas em uma forma de feedback puro multi-entrada multi-saída (Assunção 1).
2. Residuais Triangulares Inferiores: A principal percepção teórica é que, se as dinâmicas residuais aprendidas $\hat{\Delta}$ possuírem uma estrutura triangular inferior (Definição 2), o sistema aumentado $\bar{f} + \hat{\Delta}$ permanece diferencialmente plano. Especificamente, o $i$-ésimo componente do residual depende apenas dos primeiros $i$ sub-estados, preservando a resolubilidade recursiva da estrutura de feedback puro.
3. Difeomorfismo Construtivo: O artigo fornece um procedimento construtivo (Teorema 3) para recuperar o difeomorfismo de nulidade do sistema aumentado usando o difeomorfismo conhecido do modelo nominal e o residual aprendido. Isso permite que as saídas planas permaneçam inalteradas (ex: posição para um quadrotor), enquanto o mapeamento para estados e entradas é atualizado para considerar o residual.
4. Algoritmo de Aprendizado: Os autores parametrizam os componentes residuais triangulares inferiores usando aproximadores de funções suaves (especificamente, redes neurais feedforward com ativações GeLU). O modelo é treinado a partir de dados de trajetória minimizando o erro quadrático entre o residual real (estimado via diferenças finitas) e o residual aprendido. Uma vez treinado, o difeomorfismo de nulidade é construído offline usando diferenciação automática para calcular os Jacobianos necessários.

Contribuições Principais

• Caracterização Teórica: Os autores identificam uma classe ampla de dinâmicas residuais (triangulares inferiores) que preservam a nulidade diferencial de sistemas de feedback puro (Teorema 2) e provam que as saídas planas do sistema nominal permanecem válidas para o sistema aumentado.
• Procedimento Construtivo: Eles fornecem um método sistemático para construir o difeomorfismo de nulidade para o modelo aumentado diretamente a partir do difeomorfismo do modelo nominal e do residual aprendido (Teorema 3).
• Framework de Aprendizado: Eles desenvolvem uma parametrização e um algoritmo de aprendizado que impõe a estrutura triangular inferior, permitindo o aprendizado direto de modelos residuais que preservam a nulidade a partir de dados de trajetória.
• Validação Empírica: A abordagem é validada em um quadrotor 2D sujeito a efeitos de arrasto não modelados (arrasto linear e parasitário).

Resultados
Experimentos foram conduzidos em um quadrotor 2D rastreando trajetórias circulares e lemniscatas sob arrasto não modelado:

• Desempenho em Malha Aberta: Aumentar o modelo nominal com o residual aprendido reduziu o erro médio de rastreamento de posição em malha aberta em quase uma ordem de magnitude em comparação ao modelo plano nominal (ex: de ~0,31m para ~0,026m em trajetórias circulares).
• Desempenho em Malha Fechada: Um controlador de rastreamento baseado em nulidade usando o modelo aprendido alcançou um erro de rastreamento aproximadamente 5 vezes menor do que o controlador usando apenas o modelo plano nominal.
• Eficiência Computacional: Quando comparado a um baseline de Controle Preditivo Não Linear (NMPC) usando o mesmo residual aprendido, o controlador baseado em nulidade alcançou desempenho de rastreamento similar, mas foi aproximadamente 20 vezes mais rápido no tempo de computação (3,3 ms vs. 85,2 ms por atualização de controle).

Significância e Alegações
O artigo afirma ser o primeiro trabalho a abordar o aprendizado de dinâmicas residuais que preservam a nulidade para sistemas diferencialmente planos. A significância reside em unir a lacuna entre a melhoria do modelo baseada em dados e os requisitos estruturais do controle baseado em nulidade. Ao garantir que o modelo aumentado permaneça plano e fornecer um método para construir as transformações de coordenadas necessárias, a abordagem permite a retenção dos benefícios computacionais dos métodos baseados em nulidade (velocidade e simplicidade), eliminando a necessidade de redesenho de controlador caso a caso ou alternativas computacionalmente caras como o NMPC. Os autores posicionam isso como um passo fundamental para métodos mais principados de aprendizado de modelos residuais em sistemas diferencialmente planos, com trabalhos futuros planejados para relaxar as suposições estruturais e implementar em hardware físico.