Excitation of control-affine systems and Koopman error bounds

Resumo Técnico: Excitação de Sistemas Afins ao Controle e Limites de Erro de Koopman

Formulação do Problema
O artigo aborda o desafio de identificar sistemas dinâmicos afins ao controle a partir de dados usando a estrutura do operador de Koopman, especificamente via Decomposição de Modos Dinâmicos Estendida (EDMD). Embora métodos baseados em dados como o EDMD sejam poderosos para modelar sistemas complexos, a extensão para sistemas afins ao controle (que geram modelos substitutos bilineares) introduz requisitos significativos de dados. O problema central identificado é que a precisão e a robustez do processo de identificação do sistema dependem fortemente da qualidade dos dados de entrada. Especificamente, os limites de erro de aproximação para esses modelos são inversamente proporcionais ao menor valor singular ($\sigma_{\min}$) da matriz de dados de entrada. Se os dados de entrada não forem suficientemente "excitantes" (ou seja, se os inputs forem mal distribuídos ou correlacionados), $\sigma_{\min}$ torna-se pequeno, levando a grandes limites de erro e um desempenho de controle não confiável. O artigo busca estabelecer diretrizes para a seleção de entradas para maximizar este valor singular, garantindo assim uma identificação robusta e limites de erro confiáveis para aplicações de controle.

Metodologia
Os autores desenvolvem uma estrutura centrada no problema de regressão usado para estimar o mapeamento afim ao controle $y = g_0(x) + G(x)u$. A metodologia procede através de várias etapas analíticas:

1. Análise de Limite de Erro: O artigo estabelece primeiro que o erro na estimativa dos parâmetros do sistema ($g_0$ e $G$) é limitado pela razão entre a magnitude do distúrbio e $\sigma_{\min}(V)$, onde $V$ é a matriz de dados composta por uma linha de uns e os vetores de entrada.
2. Condições de Otimalidade: Os autores derivam condições necessárias e suficientes para maximizar $\sigma_{\min}(V)$.
   • Uma condição necessária é que a soma dos vetores de entrada seja zero ($U\mathbf{1} = 0$).
   • Sob esta condição, o escalonamento apropriado das entradas permite que a matriz atinja o limite teórico superior para o menor valor singular.
   • Configurações ótimas específicas são identificadas: entradas ortogonais (Corolário 3.3) e entradas que formam os vértices de um simplexo regular (Proposição 3.5).
3. Ângulos de Subespaço e Coleta Sequencial: Reconhecendo que aplicações práticas frequentemente envolvem coleta sequencial de dados em vez do design a priori de todas as entradas, os autores introduzem uma abordagem geométrica usando ângulos de subespaço. Eles derivam um limite inferior para $\sigma_{\min}(V)$ baseado nos ângulos entre novos vetores de entrada e o subespaço gerado pelos inputs existentes. Isso leva a uma estratégia onde, dado um conjunto de entradas aleatórias, uma entrada adicional específica é escolhida (ou uma existente é substituída) para maximizar os ângulos de subespaço, maximizando assim o valor singular mínimo.
4. Integração com a Estrutura de Koopman: Estes resultados teóricos são aplicados a duas variantes específicas de EDMD:
   • EDMD Bilinear com Controle (EDMDc): A estrutura permite uma amostragem flexível, onde os dados não precisam ser coletados em valores de controle específicos e pré-definidos (como vetores unitários), mas podem ser inferidos de clusters de dados gerais.
   • EDMD de Kernel: Os autores estendem os limites de erro existentes para métodos baseados em kernel para o cenário afim ao controle, fornecendo limites de erro uniformes que verificam rigorosamente as suposições necessárias para o Controle Preditivo Baseado em Modelo (MPC) orientado por dados.

Principais Contribuições

• Estrutura de Ajuste de Dados: Uma nova estrutura para o ajuste de mapeamentos afins ao controle que vincula explicitamente a seleção de entrada à margem de robustez do problema de identificação.
• Condições de Otimalidade: Derivação de condições necessárias e suficientes para a otimalidade da entrada para maximizar o valor singular mínimo da matriz de dados, incluindo construções explícitas para entradas ortogonais e baseadas em simplexo.
• Diretrizes Geométricas para Dados Sequenciais: Uma diretriz prática usando ângulos de subespaço para determinar como selecionar entradas adicionais para melhorar o condicionamento em cenários de aprendizado sequencial ou online.
• Limites de Erro Uniformes: A derivação de limites de erro uniformes para EDMDc bilinear e EDMD de kernel na presença de estruturas afins ao controle. Estes limites dependem da distância de preenchimento (fill distance) do espaço de estados e do condicionamento dos dados de entrada.
• Amostragem Flexível: Um método para construir pontos de dados artificiais (por exemplo, respostas a entradas de vetores unitários) a partir de coleções de dados gerais e flexíveis, removendo requisitos de amostragem restritivos.

Resultos
O artigo valida a abordagem proposta através de dois cenários de aplicação:

1. Corpo Rígido de Flutuação Livre (Entrada 6D): O estudo compara quatro estratégias de excitação: entradas aleatórias, entradas ortogonais, vértices de simplexo e uma estratégia baseada em ângulos de subespaço. Os resultados mostram que, enquanto as entradas aleatórias produzem um $\sigma_{\min}$ significativamente menor e erros de aproximação mais altos, as estratégias propostas (especialmente a abordagem baseada em ângulos de subespaço) alcançam valores de $\sigma_{\min}$ próximos ao máximo teórico, reduzindo drasticamente os erros de aproximação do campo vetorial.
2. Robô Móvel Não Holonômico (Entrada 2D): A estrutura é aplicada a um robô móvel usando EDMDc bilinear. Os resultados demonstram que o uso das estratégias de excitação propostas (mesmo com um número mínimo de pontos de dados) leva a modelos substitutos de Koopman com erros de predição de um passo significativamente menores em comparação com a amostragem aleatória. O estudo também mostra que aumentar o número de entradas aleatórias pode mitigar os erros, mas a seleção guiada geometricamente alcança alta precisão com menos amostras.

Significância
O artigo afirma que suas contribuições são significativas para a aplicação confiável do controle baseado em dados em sistemas críticos de segurança. Ao fornecer condições explicitamente interpretáveis geometricamente para a seleção de entrada, este trabalho preenche a lacuna entre a identificação de sistemas teórica e a coleta de dados prática. Os limites de erro derivados são cruciais para a verificação formal de propriedades de malha fechada, como a estabilidade assintótica em Controle Preditivo Baseado em Modelo (MPC). Além disso, a capacidade de realizar amostragem flexível permite a identificação de sistemas afins ao controle em cenários onde a coleta de dados em entradas de controle específicas e pré-definidas é impraticável ou impossível, tornando a abordagem aplicável a problemas de engenharia do mundo real, como robótica e dinâmica de veículos.