Gaussian behaviors: representations and data-driven control

Título: Comportamentos Gaussianos: Representações e Controle Baseado em Dados

Autores: András Sasfi, Ivan Markovsky, Alberto Padoan, Florian Dörfler.

1. Problema e Contexto

O campo do controle baseado em dados (data-driven control) tem ganhado destaque, especialmente através da abordagem comportamental, que trata sistemas como conjuntos de trajetórias sem a necessidade de um modelo de espaço de estados explícito. No entanto, a maioria das metodologias existentes baseia-se em descrições determinísticas dos comportamentos do sistema.

O problema central abordado neste trabalho é a extensão dessas representações para o domínio estocástico. Embora existam algumas tentativas de modelagem estocástica, elas são frequentemente muito abstratas (dificultando a aplicação prática) ou complexas demais (como expansões em caos polinomial), limitando a escalabilidade. Além disso, a relação entre métodos de controle baseados em dados (como o DeePC) e a incerteza inerente aos modelos estimados a partir de dados ainda é um tema de debate. O artigo busca preencher essa lacuna propondo um framework que quantifique naturalmente a incerteza nas trajetórias, mantendo a tratabilidade computacional.

2. Metodologia: Comportamentos Gaussianos

Os autores propõem um novo framework de modelagem chamado Comportamentos Gaussianos (Gaussian Behaviors).

• Definição: Um comportamento Gaussiano é definido como uma coleção de trajetórias de comprimento finito $L$ modeladas como vetores aleatórios com distribuição Gaussiana multivariada ($w \sim \mathcal{N}(\mu, \Sigma)$).
• Estimação Direta: Diferente de métodos que estimam parâmetros de estado, a covariância $\Sigma$ e a média $\mu$ podem ser estimadas diretamente a partir de dados observados. Especificamente, a matriz de covariância amostral ($\hat{\Sigma}_w = \frac{1}{D}WW^\top$) serve como uma representação empírica do comportamento do sistema.
• Predição: O framework utiliza a distribuição condicional para prever saídas futuras ($y_f$) dadas entradas futuras ($u_f$) e trajetórias passadas observadas ($w_{ini}$). Para processos Gaussianos, essa distribuição condicional é também Gaussiana, permitindo o cálculo analítico da média preditiva e da covariância preditiva.
• Relação com Modelos Existentes: O trabalho demonstra que:
  • Comportamentos determinísticos LTI são casos especiais com covariância nula (ou singular).
  • Sistemas de espaço de estados estocásticos LTI com ruído Gaussiano são recuperados através de uma estrutura específica na média e na covariância.

3. Contribuições Principais

1. Framework de Modelagem Estocástica: Introdução dos "Comportamentos Gaussianos" como uma representação unificada e tratabil para sistemas estocásticos baseada em dados, permitindo a quantificação direta da incerteza via covariância amostral.
2. Interpretação do Controle Subespacial (SPC): Demonstra-se que o Controle Preditivo por Subespaço (SPC) clássico é equivalente a uma formulação de equivalência de certeza (certainty-equivalence) dentro deste novo framework, onde se minimiza o custo esperado assumindo que a distribuição estimada é a verdadeira.
3. Interpretação do DeePC Regularizado: O método Data-enabled Predictive Control (DeePC) com regularização é reinterpretado como uma formulação distribucionalmente otimista. O termo de regularização no DeePC é matematicamente equivalente a minimizar o custo esperado sob uma restrição de divergência de Kullback-Leibler (KL) entre a distribuição real e a estimada, favorecendo soluções que exploram a incerteza para reduzir o custo.
4. Novo Controle Distribucionalmente Robusto: Para mitigar o excesso de otimismo do DeePC (que pode levar a desempenho degradado em cenários de alta incerteza), os autores propõem uma nova formulação distribucionalmente robusta. Esta abordagem minimiza o custo esperado no pior caso dentro de um conjunto de incerteza definido pela divergência KL.
5. Reformulação Convexa: A formulação robusta proposta é transformada em um problema de otimização convexa (quadrática), garantindo eficiência computacional e solvabilidade prática.

4. Resultados e Análise Teórica

• Equivalência Matemática: O artigo prova teoremas que estabelecem a equivalência entre o regularizador de norma projetada no DeePC e a penalização da divergência KL na formulação otimista. Isso valida teoricamente por que a regularização no DeePC funciona como um mecanismo de robustez contra erros de modelagem.
• Análise de Robustez: A formulação robusta proposta (min-max) permite controlar o nível de conservadorismo através de um parâmetro de sintonia ($\lambda$).
  • Quando $\lambda \to \infty$, o problema converge para a equivalência de certeza (SPC/DeePC sem regularização forte).
  • Valores finimos de $\lambda$ introduzem robustez contra a incerteza na média preditiva.
• Tratabilidade: A reformulação do problema robusto resulta em um problema de programação quadrática (QP) com uma Hessiana que pode ser garantida como semidefinida positiva para valores suficientemente grandes de $\lambda$, permitindo soluções eficientes.
• Simulações: Simulações numéricas preliminares indicam que a formulação robusta converge para a solução de equivalência de certeza conforme o parâmetro de robustez aumenta, e que as formulações otimista e robusta produzem custos de controle realizados semelhantes para sistemas LTI, mas com diferentes perfis de risco.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Unificação Teórica: Ele conecta a teoria de sistemas comportamentais, o controle baseado em dados e a teoria de processos Gaussianos, oferecendo uma base teórica sólida para métodos como DeePC e SPC.
• Gestão de Incerteza: Ao tratar explicitamente a incerteza na distribuição preditiva (e não apenas no modelo), o framework oferece uma via mais natural para o controle estocástico baseado em dados.
• Alternativa ao DeePC: A proposta de uma formulação distribucionalmente robusta oferece uma alternativa teoricamente fundamentada ao DeePC regularizado, permitindo aos engenheiros escolher entre otimismo (exploração) e robustez (conservadorismo) de forma controlada e matematicamente justificada.
• Aplicabilidade Prática: A capacidade de estimar o modelo diretamente da covariância amostral e a reformulação convexa do problema de controle tornam o método viável para implementação em tempo real, superando a complexidade de outras abordagens estocásticas.

Em resumo, o artigo redefine como entendemos a incerteza no controle baseado em dados, transformando a regularização de uma "ferramenta heurística" em uma ferramenta de otimização distribucional explícita, e introduz novas ferramentas robustas para lidar com sistemas estocásticos complexos.