Input Matrix Optimization for Desired Reachable Set Warping of Linear Systems

Resumo Técnico: Otimização da Matriz de Entrada para Distorção do Conjunto Alcançável em Sistemas Lineares

1. Problema Abordado

O artigo aborda um desafio fundamental no projeto de controle: como moldar o conjunto alcançável (reachable set) de um sistema dinâmico linear para atender a requisitos específicos de desempenho e segurança.

• Contexto: Em muitas aplicações de engenharia, a arquitetura do sistema é fixa, mas o engenheiro possui autoridade limitada para modificar a dinâmica após o projeto inicial.
• Objetivo: Dado um sistema linear $\dot{X}(t) = AX(t) + Bu(t)$, onde a matriz de entrada $B$ é a variável de projeto selecionável dentro de um conjunto admissível compacto $\mathcal{B}$, o objetivo é encontrar a matriz ótima $B^*$ que maximize a expansão (ou contração) do conjunto alcançável ao longo de uma direção específica de interesse $d$.
• Motivação: Expandir o conjunto alcançável em direções críticas aumenta a gama de tarefas realizáveis (desempenho), enquanto contrair o conjunto longe de regiões perigosas impõe restrições de segurança geométricas antes mesmo do projeto do controlador.

2. Metodologia

A abordagem proposta combina a Teoria de Controle Ótimo (Princípio do Máximo de Pontryagin - PMP) com Otimização Convexa.

• Definição do Conjunto Alcançável: O conjunto alcançável $R(T, X_0)$ é definido como o conjunto de todos os estados atingíveis em um horizonte de tempo $T$ a partir de uma condição inicial $X_0$, sob todas as entradas de controle admissíveis $u(t) \in U$.
• Métrica de Crescimento Direcional: Os autores definem uma métrica $G_d(B) = d^\top (X_{d,B} - c_0)$, onde:
  • $c_0$ é o ponto final da trajetória com entrada zero.
  • $X_{d,B}$ é o ponto na fronteira do conjunto alcançável atingido por uma trajetória de tempo ótimo com condição de co-estado terminal $P(T) = d$.
• Redução do Problema de Otimização:
  • O problema original envolve a otimização conjunta sobre a matriz $B$ e a trajetória de controle $u(t)$.
  • Utilizando o PMP, os autores demonstram que, sob certas suposições estruturais, a otimização conjunta pode ser reduzida a um número finito de problemas de otimização linear.
  • Algoritmo Proposto (Algoritmo 1):
    1. Calcula-se o co-estado inicial $P_0 = e^{A^\top T}d$.
    2. Para cada vértice $u_i$ do poliedro de controle $U$, resolve-se um problema de otimização linear para encontrar a melhor matriz candidata $B_i = \arg\max_{B \in \mathcal{B}} P_0^\top B u_i$.
    3. Seleciona-se a melhor matriz $B^*$ comparando os valores obtidos para todos os vértices de $U$.

3. Suposições e Resultados Teóricos Principais

O teorema central (Teorema 1) estabelece que o problema reduz-se a $N$ otimizações lineares (onde $N$ é o número de vértices de $U$) e que o resultado é globalmente ótimo sob duas suposições estruturais:

1. A matriz do sistema $A$ possui apenas autovalores reais.
2. A direção de interesse $d$ é um autovetor de $A^\top$.

Resultado Chave: Sob essas condições, a otimização conjunta $(B, u)$ é equivalente a encontrar o par $(B^*, u^*)$ que maximiza o Hamiltoniano inicial, e a solução ótima $B^*$ é garantida.

Relaxamento das Suposições:
Os autores analisam heuristicamente o que ocorre quando as suposições não são atendidas:

• Autovalores Complexos: Se $A$ tiver autovalores complexos, o co-estado $P(t)$ oscila, causando expansão do conjunto alcançável em múltiplas direções simultaneamente, não apenas em $d$. O algoritmo ainda produz resultados úteis, embora não seja estritamente ótimo para a direção única.
• $d$ não é autovetor: A equivalência exata entre maximizar o Hamiltoniano e a métrica de crescimento direcional quebra-se, mas o algoritmo ainda garante crescimento na direção $d$ devido à condição de contorno terminal.

4. Resultados Experimentais

A metodologia foi validada em dois sistemas distintos:

1. Modelo Linearizado de Caça ADMIRE:

   • Cenário: Sistema com autovalores reais e $d$ sendo um autovetor (satisfazendo todas as suposições).
   • Resultados: O algoritmo conseguiu expandir o conjunto alcançável na direção da taxa de rolagem ($p$) e, inversamente, contrair o conjunto na mesma direção (para fins de segurança). Também foi testado em uma direção arbitrária mista (pitch e yaw), demonstrando a eficácia do método no regime de "teorema completo".

2. Oscilador Amortecido com Autovalores Complexos:

   • Cenário: Sistema com autovalores complexos (violando a suposição 1).
   • Resultados: O algoritmo produziu uma expansão do conjunto alcançável em todas as direções, conforme previsto pela análise heurística. Embora não fosse estritamente ótimo apenas para a direção $d$, o resultado foi "direcionalmente informado" e superior a uma escolha aleatória, demonstrando a robustez do método fora das condições ideais.

5. Contribuições e Significado

• Contribuição Teórica: O trabalho estabelece uma conexão formal entre o projeto da matriz de entrada e a otimização de conjuntos alcançáveis, reduzindo um problema de otimização dinâmica complexa para um conjunto finito de problemas lineares simples.
• Contribuição Prática: Oferece uma ferramenta computacionalmente eficiente para engenheiros projetarem sistemas com restrições de segurança geométrica intrínseca (safe-by-design) ou para maximizar capacidades de manobra em direções específicas.
• Significado: Diferencia-se de trabalhos anteriores que focam em síntese de controladores ou seleção de pontos iniciais. Aqui, o foco é no projeto físico do sistema (escolha de atuadores/entrada) para moldar a dinâmica fundamental.

6. Direções Futuras

Os autores sugerem extensões para:

• Otimização conjunta das matrizes $A$ e $B$.
• Aplicação a sistemas não-lineares, onde a dinâmica do co-estado não possui solução de forma fechada, exigindo métodos numéricos ou baseados em aprendizado.

Em suma, o artigo fornece um framework rigoroso e computacionalmente viável para "moldar" a capacidade de um sistema linear através da seleção inteligente de sua matriz de entrada, garantindo desempenho e segurança através da geometria do conjunto alcançável.