Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs

Resumo Técnico: Preditores de Operador Neural com Horizonte de Amostragem para Controle Não Linear sob Entradas com Atraso

1. Problema e Motivação

Sistemas de controle modernos frequentemente operam sob duas restrições críticas:

1. Atrasos de Entrada (Input Delays): O sinal de controle leva um tempo $D$ para afetar o sistema.
2. Medições Amostradas (Sampled Measurements): Os estados do sistema não são disponíveis continuamente, mas apenas em instantes discretos de amostragem (devido a limitações de banda, sensores ou falhas de hardware).

A estratégia padrão para compensar atrasos é o Feedback de Preditor (Predictor Feedback), que calcula o estado futuro do sistema no horizonte do atraso e aplica uma lei de controle nominal baseada nessa previsão. No entanto, a implementação prática enfrenta dois grandes desafios:

• Custo Computacional: O preditor é definido por uma Equação Diferencial Ordinária (EDO) implícita que requer integração numérica online, o que é computacionalmente caro e pode ser intratável para sistemas rígidos ou com grandes atrasos.
• Incompatibilidade de Dados: As formulações teóricas tradicionais assumem medições contínuas, enquanto a prática exige lidar com medições discretas, irregulares ou até mesmo faltantes.

O objetivo deste trabalho é desenvolver uma estrutura de feedback de preditor baseada em Operadores Neurais (Neural Operators) que seja computacionalmente eficiente e robusta a medições amostradas para sistemas não lineares com atraso.

2. Metodologia

Os autores propõem duas abordagens distintas utilizando Operadores Neurais (arquiteturas de rede projetadas para mapear espaços de funções) para aproximar o mapeamento do preditor. Ambas as abordagens visam substituir a integração numérica online por inferência rápida de rede neural.

Abordagem 1: Operador de Predição com Horizonte de Amostragem (Uniforme)

• Conceito: Um único operador neural ($\hat{M}$) mapeia diretamente a medição atual e o histórico de entradas para a trajetória completa do estado predito sobre todo o intervalo de amostragem seguinte ($[T_i, T_{i+1}]$).
• Requisito: Exige amostragem uniforme (intervalos de tempo constantes $h = T_{i+1} - T_i$).
• Vantagem: Aproximação direta da solução, resultando em um erro de resíduo que escala linearmente com o erro de aproximação do operador.

Abordagem 2: Aproximação do Preditor com Propagação Contínua (Não Uniforme)

• Conceito: O operador neural ($\hat{P}$) aproxima apenas o estado inicial predito no final do atraso ($X(T_i + D)$). Este valor é então usado como condição inicial para integrar a dinâmica do sistema (EDO) entre as amostras.
• Requisito: Permite amostragem não uniforme, desde que os intervalos sejam limitados superiormente ($T_{i+1} - T_i \leq h$).
• Desafio: O erro de aproximação do operador é amplificado pela evolução contínua da dinâmica entre as amostras, exigindo uma aproximação mais precisa para garantir estabilidade.

Análise de Estabilidade:
Os autores estabelecem a estabilidade prática semi-global para ambos os esquemas usando análise de Lyapunov. Eles derivam limites explícitos para o erro do sistema em função do erro de aproximação do operador neural ($\epsilon$).

• No Caso 1, o limite de erro residual é proporcional a $\epsilon$.
• No Caso 2, o limite é amplificado por um fator exponencial $e^{C_f(1+C_\kappa)h}$, refletindo o custo de permitir amostragem irregular.

3. Contribuições Principais

1. Novos Arquiteturas de Controle: Introdução de dois designs de feedback de preditor baseados em operadores neurais que lidam especificamente com a combinação de atrasos de entrada e medições amostradas.
2. Trade-off Teórico: Identificação e formalização de um compromisso prático entre a flexibilidade de amostragem e a sensibilidade à aproximação. O esquema que permite amostragem irregular (Caso 2) exige modelos neurais mais precisos para manter a mesma garantia de estabilidade que o esquema de amostragem uniforme.
3. Garantias de Estabilidade: Prova rigorosa de estabilidade semi-global prática, com limites de desempenho explicitamente caracterizados pelo erro de treinamento da rede neural.
4. Eficiência Computacional: Substituição da integração numérica pesada por inferência de rede neural, permitindo execução em tempo real.

4. Resultados Numéricos

Os métodos foram validados em um simulador de um manipulador robótico não linear de 6 graus de liberdade (xArm6) com controle de torque atrasado.

• Cenário: Rastreamento de trajetória com atraso de $D=0.2s$ e medições com ruído gaussiano.
• Comparação: Os autores compararam:
  1. O método proposto (Caso 1 e Caso 2).
  2. Uma implementação numérica de referência do preditor (solução de EDO implícita).
• Desempenho:
  • Precisão: Ambos os métodos baseados em operadores neurais alcançaram rastreamento preciso, comparável à solução numérica de referência.
  • Velocidade: Houve uma aceleração computacional de 25x em comparação com a abordagem numérica tradicional. Enquanto o preditor numérico levava ~25 ms por avaliação, os operadores neurais levaram ~1 ms (usando GPU).
  • Robustez: O sistema manteve a estabilidade mesmo com medições irregulares (Caso 2) e ruído.

5. Significado e Impacto

Este trabalho preenche uma lacuna importante entre a teoria de controle de atrasos e a implementação prática em sistemas digitais.

• Viabilidade Prática: Demonstra que é possível implementar controle preditivo complexo em sistemas não lineares com atraso sem o custo computacional proibitivo da integração numérica online.
• Flexibilidade: Oferece aos engenheiros de controle a opção de escolher entre um esquema de amostragem uniforme (mais tolerante a erros de aproximação) ou não uniforme (mais flexível para hardware real), desde que o modelo neural seja treinado com a precisão adequada.
• Aplicabilidade: A abordagem é particularmente relevante para robótica teleoperada, veículos autônomos e redes de sensores, onde atrasos de comunicação e amostragem discreta são inevitáveis.

Em suma, o artigo propõe uma solução elegante que combina a robustez teórica do feedback de preditor com a eficiência e flexibilidade dos operadores neurais, fornecendo garantias de estabilidade rigorosas para sistemas não lineares sob condições de medição realistas.