Resumo Técnico: Certificado de Barreira de Controle Adaptativo Robusto em Tempo Discreto

Declaração do Problema

O artigo aborda o desafio de garantir a segurança para sistemas de tempo discreto sujeitos tanto a perturbações externas limitadas quanto à incerteza paramétrica do modelo. Embora as Funções de Barreira de Controle (CBFs) tenham se tornado uma ferramenta padrão para controle de segurança crítica em sistemas de tempo contínuo, sua aplicação a sistemas de tempo discreto (DT-CBFs) com parâmetros desconhecidos permanece subdesenvolvida.

Métodos baseados em modelos existentes frequentemente enfrentam dificuldades com a incerteza do modelo, o que pode comprometer as garantias de segurança. Embora extensões robustas e adaptativas existam para sistemas de tempo contínuo, elas dependem de argumentos baseados em derivadas que não estão disponíveis em tempo discreto. Além disso, controladores de tempo discreto devem operar de forma causal (sem informações futuras), uma restrição não totalmente abordada na literatura anterior de CBF adaptativa em tempo contínuo. O problema central é desenvolver um framework que garanta que o estado do sistema permaneça dentro de um conjunto seguro, apesar das perturbações e parâmetros desconhecidos, sem exigir o acesso aos parâmetros reais do sistema ($\theta^*$), permitindo simultaneamente a estimativa de parâmetros online.

Metodologia

Modelo do Sistema

Os autores consideram sistemas de tempo discreto afins à entrada descritos por:
$$x_{t+1} = f_d(x_t) - [\phi(x_t)]^\top \theta + g(x_t)u_t + w_t$$
onde $x_t$ é o estado, $u_t$ é a entrada, $\theta$ é um vetor de parâmetros constantes desconhecidos e $w_t$ é uma perturbação limitada situada em um politopo conhecido. O termo de deriva inclui uma parte nominal conhecida e uma parte incerta linear nos parâmetros desconhecidos.

Framework de Controle Adaptativo Robusto

A abordagem proposta desacopla o filtro de segurança do estimador de parâmetros, permitindo um design modular.

1. Função de Barreira Adaptativamente Robustecida:
   Em vez de usar uma função de barreira padrão $B(x, \theta)$, os autores definem uma função de barreira variante no tempo $B_{ra,t}(x)$ que incorpora a estimativa de parâmetro atual $\hat{\theta}_t$ e um termo de penalidade baseado no erro de estimativa:
   $$B_{ra,t}(x) := B(x, \hat{\theta}_t) - \frac{1}{2}e_{\theta,t}^\top \Gamma^{-1} e_{\theta,t}$$
   onde $e_{\theta,t} = \hat{\theta}_t - \theta^*$ e $\Gamma$ é uma matriz definida positiva. Isso cria um conjunto seguro "robustecido" $S_{ra,t}$ que é um subconjunto do conjunto definido pela estimativa atual, garantindo a segurança mesmo se a estimativa for imperfeita.

2. Certificado de DT-CBF Adaptativo Robusto:
   O artigo estabelece uma condição suficiente (Definição 4) para que uma função seja um DT-CBF adaptativo robusto. Esta condição, denominada "CBC adaptativo robusto", leva em conta:

   • Perturbações limitadas ($w$).
   • Desajuste paramétrico do modelo.
   • O incremento da estimativa do parâmetro ($\delta_{\theta,t}$).
   • Constantes de Lipschitz da função de barreira e da dinâmica do sistema.

   Crucialmente, este certificado é verificado offline usando limites de pior caso sobre o erro de estimativa e incrementos de parâmetros, sem a necessidade de $\theta^*$.

3. Condição de Entrada Online:
   Para implementação em tempo real, os autores derivam uma condição de entrada online (Equação 17) que depende apenas da estimativa atual $\hat{\theta}_t$ e do limite de erro de estimativa atual $\varepsilon_{\theta,t}$. Esta condição define um conjunto de entradas de controle admissíveis $U_{ras,t}(x)$. Um filtro de segurança projeta qualquer entrada de controle nominal sobre este conjunto para garantir a segurança.

4. Estimativa Causal e Síntese:
   O artigo propõe um estimador específico utilizando Mínimos Quadrados Recursivos (RLS) com corte (clipped) com projeção de pertinência a conjunto. Este estimador atualiza o conjunto de parâmetros $\Theta_t$ e a estimativa pontual $\hat{\theta}_t$ com base em dados passados ($F_{t-1}$), garantindo que a entrada de controle $u_t$ seja computada causalmente (sem depender de informações de $t+1$).

Principais Contribuições

1. Garantias de Segurança Adaptativas Robustas em Tempo Discreto: O trabalho estabelece garantias de segurança robustas para sistemas de tempo discreto afins à entrada sob perturbações limitadas e desajuste paramétrico. Ele deriva uma condição de entrada online adequada para filtros de segurança, superando a falta de argumentos baseados em derivadas em tempo discreto.
2. Arquitetura Modular: O framework demonstra que o módulo de estimativa de parâmetros pode ser projetado separadamente do filtro de segurança baseado em CBF. Esse desacoplamento simplifica o desenvolvimento de controladores adaptativos seguros, uma característica não explicitamente revelada nos resultados existentes de tempo contínuo.
3. Análise de Robustez Inerente: O artigo fornece uma análise rigorosa da "robustez inerente" da abordagem de controle proposta. Prova-se que, se o estado do sistema estiver fora do conjunto seguro adaptativo robusto (devido a perturbações ou estimativas ruins), a política de controle conduz o estado assintoticamente de volta à sequência do conjunto seguro.
4. Compatibilidade Geral com Estimadores Online: A metodologia acomoda estimadores de parâmetros online gerais que fornecem estimativas pontuais, estimativas de conjunto e limites uniformes sobre incrementos de estimativa, em vez de estar vinculada a um algoritmo de aprendizado específico.

Resultados e Alegações

• Garantia de Segurança: O principal resultado teórico (Teorema 2) afirma que, se uma função de barreira satisfizer a condição CBC adaptativa robusta, o conjunto de entradas de controle admissíveis é não vazio. Além disso, se a política de controle selecionar entradas deste conjunto, o sistema em malha fechada é robustamente seguro em relação a uma sequência de conjuntos seguros variantes no tempo $\{S_{ra,t}\}$.
• Causalidade: A síntese proposta garante que as entradas de controle sejam computadas usando apenas informações passadas disponíveis, satisfazendo os requisitos causais de sistemas de dados amostrados.
• Convergência vs. Segurança: Os autores observam explicitamente que, embora a convergência de parâmetros (para $\theta^*$) reduziria o conservadorismo, as garantias de segurança não dependem da convergência das estimativas de parâmetros. A segurança é mantida desde que o parâmetro real permaneça dentro do conjunto estimado $\Theta_t$.
• Implementação: O artigo descreve um algoritmo (Algoritmo 1) para implementação, observando que, embora o problema de otimização geral seja não convexo, ele se torna um problema de otimização convexa se a função de barreira for côncava em relação ao estado, uma suposição padrão em muitas formulações de DT-CBF.

Significância

O artigo afirma que sua principal significância reside no estabelecimento de um framework de controle seguro adaptativo robusto geral para sistemas de tempo discreto. Ele não pretende projetar funções de barreira específicas, desenvolver algoritmos de estimativa de parâmetros novos ou verificar a existência de funções de barreira para sistemas específicos. Em vez disso, fornece a base teórica (o certificado e a condição online) que permite que ferramentas de estimativa existentes sejam integradas com segurança a controladores baseados em CBF em configurações de tempo discreto.

O trabalho preenche a lacuna entre a teoria de CBF adaptativa em tempo contínuo e as realidades práticas da implementação em tempo discreto (como MPC e aprendizado por reforço), oferecendo uma estratégia que é tanto robusta a perturbações quanto adaptativa a incertezas de modelo sem exigir o conhecimento dos parâmetros reais do sistema.