Adaptive Behavioral Predictive Control: State-Free Regulation Without Hankel Weights

Resumo Técnico: Controle Preditivo Comportamental Adaptativo (ABPC)

1. Problema e Motivação

O controle preditivo baseado em dados (Data-Driven Predictive Control) e a visão comportamental de sistemas (introduzida por Willems) têm ganhado destaque por tratar sistemas dinâmicos como conjuntos de trajetórias admissíveis de entrada-saída, sem a necessidade de modelos de estado ocultos. No entanto, as abordagens existentes, como o Data-Enabled Predictive Control (DeePC), geralmente dependem de:

• Dados em lote (Batch): Requerem o armazenamento e processamento de grandes matrizes de Hankel de trajetórias passadas.
• Otimização Iterativa: Dependem de Programação Quadrática (QP) resolvida iterativamente a cada passo de tempo.

Essas características tornam esses métodos computacionalmente onerosos para sistemas que operam em tempo real contínuo, possuem limitações computacionais severas ou precisam se adaptar a derivações não lineares lentas. O artigo propõe uma solução para criar controladores que utilizem dados em fluxo (streaming) diretamente, atualizem o comportamento da planta online e calculem ações de controle em forma fechada (closed-form), eliminando a necessidade de otimização iterativa e matrizes de Hankel.

2. Metodologia Proposta: ABPC

O autor propõe o Controle Preditivo Comportamental Adaptativo (ABPC), um controlador adaptativo indireto que combina identificação recursiva com controle preditivo direto. A metodologia baseia-se nos seguintes pilares:

• Identificação Baseada em Kernel-RLS:

  • Em vez de usar modelos ARX/ARMAX fixos ou matrizes de Hankel, o método utiliza um preditor LPV-ARX (Auto-Regressivo com Entrada Exógena Variável Linearmente com Parâmetros).
  • Os coeficientes do modelo são atualizados online a cada passo de amostragem usando um algoritmo de Mínimos Quadrados Recursivos (RLS) baseado em kernels.
  • Um dicionário de características (kernel) mapeia os dados de entrada-saída passados para um espaço de características que pode capturar não linearidades (ex: polinomiais, RBF - Radial Basis Function).

• Previsão e Congelamento de Parâmetros:

  • A cada instante $k$, os coeficientes do modelo LPV-ARX são calculados com base nos dados recentes e congelados sobre um horizonte de previsão finito $N$.
  • Isso transforma o problema de controle não linear em um problema de otimização quadrática convexa (um "surrogato" convexo).
  • A estrutura de previsão é empilhada usando operadores de Toeplitz, criando uma relação afim entre entradas futuras e saídas previstas.

• Solução em Forma Fechada:

  • A função de custo quadrática (erro de rastreamento + penalidade de variação de entrada) resulta em um sistema linear $HU = -h$.
  • Devido à positividade definida da matriz Hessiana $H$ (garantida por penalidades de entrada), a solução ótima é obtida diretamente via fatoração de Cholesky.
  • Isso elimina a necessidade de solvers de QP iterativos, permitindo computação eficiente em tempo real.

• Ausência de Matrizes de Hankel:

  • Diferente do DeePC, o ABPC não constrói matrizes de Hankel de dados históricos. Ele atualiza recursivamente os parâmetros do modelo, tornando-o escalável e adequado para dados em fluxo contínuo.

3. Principais Contribuições

1. Novo Controlador Adaptativo: Introdução de um controlador preditivo adaptativo indireto baseado em kernels que opera exclusivamente em dados em fluxo, sem estruturas de Hankel em lote.
2. Integração Kernel-RLS e Cholesky: Combinação de identificação de preditor LPV-ARX via RLS com empilhamento Toeplitz e cálculo de controle via fatoração de Cholesky, removendo a otimização iterativa.
3. Perspectiva Unificadora: O método engloba o Predictive Cost Adaptive Control (PCAC) como um caso especial, conecta-se ao Generalized Predictive Control (GPC) e estende a expressividade do modelo através de dicionários não lineares.
4. Estudo Numérico Sistemático: Avaliação abrangente em sistemas lineares, Hammerstein, NARX (com e sem termos cruzados) e dinâmicas de atitude (quaternions), mapeando a escolha do kernel para o desempenho e condicionamento numérico.

4. Resultados Numéricos

O artigo apresenta sete exemplos de simulação que validam a eficácia do ABPC:

• Sistemas Lineares (Estáveis e Instáveis): O ABPC estabilizou plantas instáveis e não-minimum phase com sucesso. Em regimes lineares, kernels unitários (lineares) e RBF mostraram desempenho comparável ou superior ao baseline.
• Sistemas Não Lineares (NARX e Hammerstein):
  • Para sistemas com não linearidades polinomiais (ex: termos cruzados cúbicos $y u^2$), o kernel polinomial demonstrou superioridade clara, alcançando erros de rastreamento significativamente menores (RMSE e IAE) do que kernels lineares ou RBF.
  • O kernel polinomial conseguiu representar a estrutura exata da planta, enquanto outros kernels sofreram com viés de estado estacionário.
• Rejeição a Perturbações: Em sistemas com perturbações senoidais, o kernel unitário (linear) mostrou-se robusto devido ao efeito de "modelo interno" inerente à estrutura ARX. Kernels polinomiais falharam em rejeitar perturbações senoidais puras (devido à incapacidade de representar modos oscilatórios com polinômios), enquanto o kernel RBF e unitário mantiveram a estabilidade.
• Aplicação MIMO Não Linear (Estabilização de Atitude): O método foi aplicado na estabilização de atitude de um corpo rígido (SO(3)) usando quaternions. O controlador manteve a estabilidade e o rastreamento, com kernels polinomiais e lineares oferecendo trajetórias mais suaves (menor erro integral) apesar de uma convergência transitória ligeiramente mais lenta.
• Robustez: Testes com ruído de medição confirmaram que o método mantém a estabilidade e o desempenho qualitativo, embora os erros aumentem conforme esperado.

5. Significado e Conclusão

O trabalho representa um avanço significativo na interseção entre controle adaptativo e controle preditivo baseado em dados.

• Eficiência Computacional: Ao substituir a otimização iterativa por uma solução analítica (Cholesky) e evitar o armazenamento de matrizes de Hankel, o ABPC torna o controle preditivo baseado em dados viável para sistemas com restrições computacionais rigorosas ou taxas de amostragem muito altas.
• Flexibilidade de Modelagem: A introdução de dicionários de kernels permite capturar não linearidades complexas sem a necessidade de derivar modelos físicos detalhados, superando as limitações de modelos ARX lineares.
• Limitações e Futuro: O estudo é predominantemente numérico; provas formais de estabilidade e robustez para o "surrogato" congelado ainda são um tópico aberto. Trabalhos futuros visam incorporar restrições de entrada/saída de forma fechada e lidar com mudanças abruptas no sistema.

Em suma, o ABPC oferece uma alternativa prática, computacionalmente eficiente e matematicamente elegante para o controle de sistemas dinâmicos desconhecidos, especialmente em cenários onde a adaptação online e a baixa latência de computação são críticas.