Soft projections for robust data-driven control

1. Problema Abordado

O artigo foca no Controle Preditivo Baseado em Dados (Data-Driven Predictive Control), especificamente em métodos diretos que utilizam a Teoria de Sistemas Comportamentais.

• Contexto: Em vez de identificar primeiro um modelo paramétrico (abordagem indireta) e depois projetar o controlador, os métodos diretos (como o DeePC - Data-enabled Predictive Control) utilizam dados brutos de entrada e saída para representar o comportamento do sistema como um subespaço linear.
• Desafios Principais:
  1. Ruído nos Dados: A presença de ruído de medição torna a matriz de dados de posto completo, o que invalida a restrição de que a trajetória deve pertencer estritamente ao subespaço do comportamento do sistema.
  2. Regularização Heurística: Métodos existentes (como o DeePC) adicionam termos de regularização (ex: norma 2 no vetor de coeficientes $g$) para lidar com o ruído, mas a interpretação teórica desses termos é muitas vezes obscura, especialmente na presença de restrições.
  3. Estimativa de Ordem do Sistema: Abordagens que tentam estimar explicitamente um subespaço de baixa dimensão são sensíveis à seleção da ordem do sistema; uma estimativa incorreta da dimensão pode levar a erros arbitrariamente grandes.
  4. Atualização Online: A integração eficiente de novos dados em tempo real (streaming) é difícil em formulações que exigem a reestimar o subespaço ou recalcular projeções complexas a cada passo.

2. Metodologia Proposta

Os autores propõem uma mudança de perspectiva: em vez de aprender o modelo (subespaço) ou o mapeamento de solução de forma implícita, eles focam diretamente na aproximação do projetor sobre o comportamento do sistema a partir de dados ruidosos.

• Projeções Suaves (Soft Projections):

  • Introduzem o conceito de "projetor suave" ($\tilde{P}_H$), definido como uma aproximação regularizada do projetor ortogonal verdadeiro sobre o subespaço do comportamento.
  • Matematicamente, o projetor suave é dado por:
    $$\tilde{P}_H = H(H^\top H + \delta I)^{-1}H^\top$$
    onde $H$ é a matriz de dados e $\delta > 0$ é um parâmetro de regularização (semelhante ao "diagonal loading" em processamento de sinais).
  • Mecanismo de "Denoising": O projetor suave escala os valores singulares da matriz de dados. Valores singulares pequenos (associados ao ruído) são suprimidos, enquanto os grandes (sinal) são preservados, efetivamente "denoising" a matriz de dados antes da projeção.

• Novas Formulações de Controle:

  • Os autores derivam duas novas formulações de controle baseadas em projeções suaves:
    1. Formulação (9): Minimiza o erro de rastreamento sujeito a restrições, penalizando a componente do vetor fora do subespaço aproximado: $\min \|w - w_{ref}\|^2 + \alpha \|(I - \tilde{P}_H)w\|^2$.
    2. Formulação (10): Uma alternativa que usa uma penalidade quadrática baseada no projetor: $\min \|w - w_{ref}\|^2 + \hat{\alpha} w^\top (I - \tilde{P}_H)w$.
  • Demonstram que a Formulação (10) é uma generalização do DeePC clássico, recuperando-o quando o parâmetro de suavização $\delta \to 0$.

• Atualização Online (Rank-One Updates):

  • Desenvolvem fórmulas de atualização recursiva (tipo Rank-One) para o projetor suave e para o parâmetro de regularização $\delta$. Isso permite incorporar novos dados de streaming sem precisar reverter toda a matriz de dados, mantendo a complexidade computacional baixa ($O((qL)^2)$).

3. Contribuições Chave

1. Interpretação Teórica Rigorosa: Fornecem uma interpretação clara da regularização no DeePC como uma aproximação de um projetor suave. Isso conecta a regularização heurística a conceitos geométricos de projeção.
2. Limites de Erro de Aproximação: Derivam um limite superior rigoroso para o erro de aproximação entre o projetor suave e o projetor verdadeiro.
   • O limite revela um trade-off clássico entre viés (bias) e variância, controlado pelo peso de regularização $\delta$.
   • Independência da Ordem do Sistema: Crucialmente, o limite de erro não depende da ordem verdadeira do sistema. Isso elimina a sensibilidade à seleção de ordem que afeta métodos baseados em estimativa de subespaço de baixa dimensão.
3. Generalizações Robustas: Propõem formulações de controle (especialmente a eq. 9) que atuam como filtros de ordem superior, separando melhor o sinal do ruído em comparação com o DeePC padrão.
4. Algoritmo Online Eficiente: Apresentam fórmulas de atualização recursiva que permitem a adaptação contínua do controlador a dados em tempo real, algo difícil de realizar com métodos de subespaço explícito.

4. Resultados do Estudo de Caso

O método foi testado em um sistema de duas massas acopladas por molas e amortecedores (double spring-mass-damper) com ruído de medição.

• Comparação: O método proposto (Formulação 9) foi comparado com o DeePC padrão (Formulação 4).
• Desempenho:
  • Em níveis variados de relação sinal-ruído (SNR = 10, 5, 3), o método proposto demonstrou superioridade consistente.
  • Custo Realizado: O custo de controle (tracking error + esforço de controle) foi significativamente menor para o método proposto, especialmente em cenários de alto ruído (SNR baixo).
  • Erro de Predição: O erro de predição e sua variância foram menores para a nova formulação.
  • Robustez: A análise de autovalores mostrou que a Formulação (9) atua como um filtro mais eficaz, separando melhor os modos de sinal dos modos de ruído, resultando em maior robustez.

5. Significado e Impacto

• Mudança de Paradigma: O trabalho move o foco da "estimativa de modelo" para a "estimativa de projeção", oferecendo uma via mais direta e robusta para o controle baseado em dados.
• Solução para o Problema de Ordem: Ao eliminar a dependência da ordem do sistema no limite de erro, o método torna-se mais aplicável a sistemas complexos onde a ordem é desconhecida ou difícil de estimar.
• Viabilidade Prática: A capacidade de atualizar o controlador online de forma eficiente com novos dados torna a técnica viável para aplicações em tempo real onde o sistema pode variar (não estacionariedade).
• Fundamentação Teórica: Oferece uma base teórica sólida para a regularização em controle direto, transformando um ajuste heurístico em uma ferramenta com propriedades de aproximação bem definidas e controláveis.

Em resumo, o artigo apresenta uma evolução teórica e prática significativa no controle preditivo baseado em dados, substituindo a estimativa de subespaços explícitos por projeções suaves que são mais robustas a ruídos, independentes da ordem do sistema e adaptáveis online.