Stability of data-driven Koopman MPC with terminal conditions

Resumo Técnico: Estabilidade de MPC Baseado em Dados com Condições de Terminalidade

1. Problema e Motivação

O controle Preditivo Baseado em Modelo (MPC) é uma ferramenta poderosa, mas sua aplicação tradicional depende de modelos dinâmicos precisos. Com o avanço de métodos de aprendizado de máquina, o uso de modelos substitutos baseados em dados (data-driven surrogate models) no MPC tornou-se popular. No entanto, um desafio central persiste:

• Incerteza do Modelo: Modelos aprendidos a partir de dados (como os baseados no Operador de Koopman) contêm erros de aproximação.
• Falha de Garantias: Resultados de estabilidade padrão do MPC assumem que o modelo descreve o sistema perfeitamente. Na presença de erros de modelagem, a viabilidade recursiva (capacidade de encontrar uma solução a cada passo) e a estabilidade assintótica não são garantidas.
• Limitações Existentes: Métodos anteriores focaram em estabilidade prática (convergência para uma vizinhança do ponto de equilíbrio) ou exigiram condições de erro muito restritivas que não eram facilmente verificáveis para modelos complexos como o Kernel Extended Dynamic Mode Decomposition (kEDMD).

O objetivo deste trabalho é estabelecer condições rigorosas sob as quais um MPC, utilizando um modelo substituto baseado em dados e condições de terminalidade (função de custo terminal e conjunto terminal), garante a estabilidade assintótica do sistema original, apesar dos erros de aproximação.

2. Metodologia

A abordagem proposta combina teoria de controle robusto com a estrutura de operadores de Koopman.

A. Formulação do Problema

• Sistema Real: $x^+ = f(x, u)$ (desconhecido).
• Modelo Substituto: $x^+ = f^\varepsilon(x, u)$ (aproximação baseada em dados).
• Estratégia de Controle: O MPC utiliza o modelo $f^\varepsilon$ para prever trajetórias e otimizar, mas aplica a lei de controle ao sistema real $f$.
• Viabilidade Recursiva: Para lidar com erros de modelagem, o artigo introduz um apertamento de restrições (constraint tightening). As restrições de estado são reduzidas em uma margem que cresce com o horizonte de previsão, baseada na constante de Lipschitz do modelo e no limite uniforme do erro.

B. Condições de Estabilidade (Teorema Principal)
O núcleo da contribuição teórica é a prova de que a estabilidade assintótica é alcançada se o erro de aproximação satisfizer uma condição de erro proporcional:
$$\|f(x, u) - f^\varepsilon(x, u)\| \leq \min\{c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|, \eta^\varepsilon\}$$
Onde:

• O erro é limitado uniformemente por $\eta^\varepsilon$ (necessário para viabilidade recursiva).
• O erro é proporcional ao estado e à entrada ($c_x^\varepsilon \|x\| + c_u^\varepsilon \|u\|$). Isso é crucial: significa que o erro tende a zero à medida que o sistema se aproxima da origem (ponto de equilíbrio), permitindo que a função de Lyapunov do MPC decresça.

C. Implementação com kEDMD (Kernel Extended Dynamic Mode Decomposition)
O artigo demonstra como satisfazer a condição de erro proporcional usando modelos kEDMD:

1. Operador de Koopman: Utiliza-se o operador linear (mas de dimensão infinita) que lineariza a dinâmica não linear em um espaço de funções elevado (lifted space).
2. kEDMD: Uma aproximação baseada em kernels (RBFs de Wendland) do operador de Koopman.
3. PI-kEDMD (Physics-Informed): Uma modificação no algoritmo de regressão para forçar que o modelo substituto satisfaça a condição de equilíbrio $f^\varepsilon(0,0)=0$. Isso garante que o erro seja zero na origem e proporcional nas vizinhanças, satisfazendo a Assunção 1 do artigo.
4. Condições de Terminalidade: O custo terminal e o conjunto terminal são projetados com base na linearização do modelo substituto na origem, garantindo que a função de Lyapunov decresça dentro do conjunto terminal.

3. Contribuições Principais

1. Prova de Estabilidade Assintótica com Condições de Terminalidade: O trabalho estende resultados anteriores (que focavam em MPC sem condições terminais ou com estabilidade prática) para o caso de MPC com condições terminais. Isso permite o uso de horizontes de previsão curtos, o que é computacionalmente vantajoso.
2. Conexão Teórica com kEDMD: Demonstra-se rigorosamente que modelos kEDMD, quando ajustados com a técnica Physics-Informed (PI-kEDMD), satisfazem os limites de erro proporcional necessários para a prova de estabilidade.
3. Viabilidade Recursiva Garantida: A introdução de um apertamento de restrições baseado em limites de erro uniformes e constantes de Lipschitz garante que o problema de otimização do MPC permaneça viável a cada passo, mesmo na presença de discrepâncias entre modelo e planta.
4. Análise de Erro Rigorosa: Fornece uma estrutura onde as suposições de estabilidade não são apenas hipotéticas, mas podem ser verificadas e garantidas através da densidade dos dados coletados (distância de preenchimento e raio do cluster).

4. Resultados Numéricos

O método foi validado em um estudo de caso com o oscilador de Van der Pol controlado:

• Configuração: Discretização de Euler, domínio de estado $[-1.9, 1.9]^2$, e diferentes densidades de pontos de observação virtuais (352 e 1327 pontos).
• Comparação:
  • kEDMD Padrão: Sem a imposição de erro proporcional (PI), o sistema atingiu apenas estabilidade prática, onde o erro estagnou em um valor positivo constante (o sistema não convergia exatamente para a origem).
  • PI-kEDMD: Com a modificação para garantir erro proporcional, o controlador MPC conseguiu estabilizar o sistema assintoticamente na origem, demonstrando uma precisão significativamente superior.
• Horizonte de Previsão: O estudo mostrou que, mesmo com horizontes curtos ($N=4$ e $N=9$), a estabilidade foi mantida devido à eficácia das condições terminais e do apertamento de restrições.

5. Significado e Conclusão

Este trabalho é significativo porque fecha a lacuna teórica entre o uso de modelos de aprendizado de máquina complexos (Koopman/kEDMD) e as garantias de estabilidade rigorosas exigidas em aplicações de controle crítico (como sistemas de saúde ou industriais).

• Impacto Prático: Permite o uso de MPC em sistemas não lineares complexos onde a modelagem física é difícil, mas dados estão disponíveis, garantindo que o sistema não apenas se comporte bem, mas convirja para o objetivo desejado.
• Limitação e Futuro: O principal ponto de atenção é o conservadorismo do apertamento de restrições, que cresce com o horizonte de previsão, potencialmente limitando o horizonte utilizável. O artigo sugere que técnicas de apertamento mais sofisticadas (baseadas em estabilizabilidade incremental) podem mitigar isso em trabalhos futuros.

Em suma, o artigo fornece um "selo de garantia" matemático para o uso de modelos de Koopman baseados em dados dentro de um esquema de controle preditivo, transformando uma abordagem heurística em uma metodologia com garantias de estabilidade assintótica.