On maximal positive invariant set computation for rank-deficient linear systems

Resumo Técnico: Cálculo do Conjunto Positivamente Invariante Máximo para Sistemas Lineares com Deficiência de Rank

1. Problema e Contexto

O artigo aborda um desafio fundamental na teoria de controle e na aplicação de Controle Preditivo Baseado em Modelos (MPC): o cálculo do Conjunto Positivamente Invariante Máximo (MPI). O MPI é essencial para garantir a viabilidade recursiva e a estabilidade em sistemas com restrições de estado e entrada.

O problema central identificado pelos autores surge quando a síntese de controle (como a resolução de uma Equação Algébrica de Riccati ou alocação de polos) resulta em uma matriz de dinâmica de malha fechada deficiente de rank (singular). Isso ocorre frequentemente quando:

• O controle ótimo coloca um ou mais autovalores na origem (0).
• Estratégias de "dead-beat" são utilizadas, colocando todos os autovalores na origem.

Nesses casos, a matriz de transição de estado $A_{\circ}$ torna-se singular. O cálculo padrão do MPI, que envolve iterações de pré-imagem ($A_{\circ}^{-1}\Omega_k$), falha ou torna-se numericamente instável, pois a multiplicação por potências de $A_{\circ}$ projeta o sistema em subespaços de dimensão inferior, alterando as propriedades geométricas dos conjuntos intermediários e gerando instabilidades numéricas.

2. Metodologia Proposta

Os autores propõem um algoritmo robusto que explora a Decomposição de Schur Real da matriz de malha fechada para lidar explicitamente com a singularidade. A abordagem divide o espaço de estados em subespaços dinâmicos e estacionários.

Passos Principais do Algoritmo:

1. Decomposição de Schur: A matriz $A_{\circ}$ é decomposta como $A_{\circ} = USU^T$, onde $S$ é uma matriz triangular superior. A estrutura de $S$ é organizada para separar os autovalores não nulos (bloco $S_{11}$) dos autovalores nulos (bloco $S_{22}$, que é nilpotente).
2. Redução de Dimensão: O sistema é transformado para coordenadas onde a dinâmica associada aos autovalores nulos ($S_{22}$) desaparece após um número finito de passos ($p$), determinado pelo tamanho da maior célula de Jordan associada ao zero.
3. Cálculo do MPI Reduzido: O MPI é calculado apenas no subespaço dinâmico não nulo (dimensão $d_1$), associado à dinâmica $z_{k+1} = S_{11}z_k$. Isso evita a singularidade e permite o uso de métodos padrão de forma estável.
4. Levantamento (Lifting) e Interseção: O conjunto MPI reduzido é "levantado" de volta ao espaço original de dimensão $n$. O conjunto final é obtido pela interseção de duas partes:
   • $\Phi^{[1]}_x$: Restrições impostas durante os primeiros $p$ passos (onde a dinâmica nilpotente ainda afeta o sistema).
   • $\Phi^{[2]}_x$: Restrições impostas para $k \geq p$, derivadas do MPI reduzido no subespaço, mas mapeadas de volta ao espaço original.

Representações de Conjuntos:
O algoritmo é implementado e validado em duas representações geométricas:

• Poliedros: Representação clássica por desigualdades lineares.
• Zono-topos Constrained (CZ): Uma representação que permite operações lineares eficientes e interseções exatas, sendo particularmente vantajosa para sistemas de alta dimensão.

3. Contribuições Chave

• Solução para Sistemas Singulares: O trabalho preenche uma lacuna na literatura ao fornecer um método sistemático para calcular o MPI quando a matriz de dinâmica é singular, uma situação comum em controle ótimo e dead-beat que anteriormente causava falhas numéricas.
• Algoritmo Híbrido (Schur + Recorrência): A proposta de utilizar a decomposição de Schur para isolar a parte não singular e calcular o MPI apenas nessa subespaço, antes de reconstruir o conjunto completo.
• Dualidade de Representação: O método é apresentado de forma unificada para poliedros e zono-topos constrained, demonstrando que a lógica geométrica é a mesma, embora as operações algébricas difiram.
• Eficiência Computacional: O método reduz drasticamente a complexidade computacional e o número de iterações necessárias para a convergência em comparação com métodos diretos aplicados a sistemas de alta dimensão com rank deficiente.

4. Resultados e Exemplos

Os autores validaram a abordagem através de dois exemplos:

1. Exemplo Numérico em $\mathbb{R}^6$: Um sistema com uma matriz de malha fechada que possui autovalores nulos com multiplicidades variadas. O algoritmo calculou o MPI em apenas 0,4 segundos, dividindo o problema em um subespaço de dimensão 3 e lidando corretamente com as restrições transitórias.
2. Experimento de Molas Acopladas (CSE): Um sistema escalável com dimensão variável ($2\ell$).
   • Comparação: O método proposto (rank-deficiente) foi comparado com o método padrão (que falha ou é ineficiente).
   • Desempenho: Para dimensões maiores ($\ell \geq 8$), o método padrão exigiu um número exponencialmente maior de iterações e tempo de computação. O método proposto manteve-se eficiente.
   • Complexidade do Conjunto: O método proposto gerou conjuntos MPI com significativamente menos desigualdades (ex: 704 vs 1496 para $\ell=10$), indicando uma representação mais compacta e menos conservadora.

5. Significado e Conclusão

Este trabalho é significativo para a comunidade de controle porque:

• Robustez: Garante que o cálculo do MPI seja viável mesmo quando o controlador ótimo resulta em dinâmicas singulares, eliminando a necessidade de evitar tais configurações de polos.
• Aplicabilidade Prática: Permite o uso seguro de MPC em sistemas onde a estabilidade é garantida por polos na origem, assegurando a viabilidade recursiva sem penalidades computacionais excessivas.
• Escalabilidade: A abordagem de redução de dimensão via decomposição de Schur torna o cálculo de conjuntos invariantes viável para sistemas de maior ordem que seriam intratáveis com métodos diretos de interseção de poliedros.

Em suma, os autores oferecem uma ferramenta matemática e algorítmica essencial para lidar com a geometria de conjuntos invariantes em sistemas lineares com dinâmicas degeneradas, facilitando a implementação de controladores preditivos mais robustos e eficientes.