Local Sensitivity Analysis for Kernel-Regularized ARX Predictors in Data-Driven Predictive Control

Resumo Técnico: Análise de Sensibilidade Local para Preditores ARX Regularizados por Kernel em Controle Preditivo Baseado em Dados

1. Problema e Motivação

O Controle Preditivo Baseado em Dados (DDPC) visa reduzir a dependência de modelos de espaço de estado explícitos, construindo preditores diretamente a partir de dados medidos. Embora a identificação de parâmetros em modelos ARX (Auto-Regressivo com Entrada Exógena) estruturados seja um problema linear, o preditor de múltiplos passos "levantado" (lifted) utilizado dentro do Controlador Preditivo por Modelo (MPC) depende desses parâmetros de forma implícita e não linear.

Essa discrepância cria dois desafios principais:

1. Propagação de Incerteza: É difícil propagar a incerteza dos parâmetros estimados para a incerteza do preditor de múltiplos passos, o que é crucial para o desempenho em malha fechada, especialmente em regimes de dados finitos e ruidosos.
2. Regularização Consciente da Tarefa: As abordagens de regularização padrão (como kernels baseados em identificação) focam em minimizar o erro de identificação, mas não necessariamente em reduzir o erro que mais impacta o objetivo de controle.

O objetivo deste trabalho é construir uma ponte prática entre a incerteza dos parâmetros e a sensibilidade do preditor relevante para o controle, permitindo uma regularização mais eficaz.

2. Metodologia

O artigo propõe uma análise de sensibilidade local de primeira ordem para o preditor ARX implícito. A metodologia divide-se em três etapas principais:

A. Linearização Local do Preditor Implícito
O preditor de múltiplos passos $\hat{y}_f$ é uma função não linear do vetor de parâmetros $\theta$ devido à presença de termos inversos (ex: $(I - \Phi_y)^{-1}$). Os autores derivam uma linearização de primeira ordem ao redor de uma estimativa nominal $\bar{\theta}$:
$$\hat{y}_f(u_f; \theta) \approx \hat{y}_f(u_f; \bar{\theta}) + J(\bar{\theta}, u_f)(\theta - \bar{\theta})$$
Onde $J$ é a matriz Jacobiana do preditor em relação aos parâmetros.

• O cálculo da Jacobiana envolve a diferenciação através da inversão implícita, decompondo a sensibilidade em três contribuições: dados passados, entradas futuras explícitas e realimentação de saídas futuras implícitas.
• A Jacobiana é mostrada como sendo afim em relação à sequência de controle futura $u_f$, o que permite incorporar a incerteza diretamente na função de custo do MPC.

B. Propagação de Incerteza e Custo FCE
Utilizando a linearização local e assumindo uma distribuição posterior Gaussiana para os parâmetros ($\theta | D \sim \mathcal{N}(\bar{\theta}, \Sigma_\theta)$), os autores derivam uma aproximação para a covariância do erro de predição.

• Isso permite calcular um termo de penalidade de incerteza do tipo Final Control Error (FCE) para adicionar ao objetivo do MPC:
  $$L_\Omega(u_f) \approx \text{tr}(J^\top Q J \Sigma_\theta)$$
  Este termo quantifica o custo esperado adicional devido à incerteza dos parâmetros, ponderado pela matriz de peso de controle $Q$.

C. Projeto de Kernel Sensível à Tarefa (Sensitivity-Based Kernel)
A contribuição central é o uso da mesma Jacobiana para moldar a regularização na etapa de identificação.

• Define-se uma matriz de sensibilidade $W(\xi) = J^\top Q J$, que mede como perturbações nos parâmetros afetam o erro de predição ponderado pelo controle.
• Em vez de usar apenas um kernel padrão (como TC ou SS) focado na identificação, propõe-se um kernel composto que penaliza mais fortemente as direções dos parâmetros que são localmente mais críticas para o controle.
• O estimador final minimiza:
  $$\min_\theta \frac{1}{\sigma^2}\|y - H\theta\|^2 + \|\theta\|_{K^{-1}}^2 + \mu(\theta - \bar{\theta})^\top \bar{W} (\theta - \bar{\theta})$$
  Onde $\bar{W}$ é a média da sensibilidade sobre tarefas representativas e $\mu$ é um hiperparâmetro de ajuste.

3. Principais Contribuições

1. Análise de Sensibilidade Local: Derivação de uma análise de primeira ordem para o preditor ARX estruturado, conectando a identificação linear à propagação de incerteza não linear no contexto de controle.
2. Dupla Utilidade da Jacobiana: Demonstração de que a mesma matriz Jacobiana pode ser usada para:
   • Gerar um termo de incerteza aproximado (tipo FCE) para o objetivo do MPC.
   • Construir uma métrica de sensibilidade dependente da tarefa para moldar a regularização por kernel.
3. Validação Numérica: Evidência de que a abordagem é mais valiosa em regimes de baixa excitação (weak-excitation), onde a incerteza do preditor é alta e a regularização baseada apenas em identificação é insuficiente.

4. Resultados Experimentais

Os autores avaliaram o método em dois regimes usando um sistema de segunda ordem com ruído:

• Regime de Dados Informativos (Boa Excitação):

  • A identificação já é bem condicionada.
  • Todos os variantes baseados em ARX competem bem com métodos DDPC existentes.
  • Ganhos adicionais da regularização proposta ou do termo FCE são modestos, pois há pouca incerteza prejudicial restante para explorar.

• Regime de Baixa Excitação (Weak-Excitation):

  • Este é o cenário crítico onde a incerteza do preditor é significativa.
  • Regularização SS (Base): A regularização padrão (Subspace/SS) já proporciona ganhos substanciais de robustez em comparação com a identificação OLS (Mínimos Quadrados Ordinários).
  • Moldagem de Sensibilidade (SS+W): A adição do kernel sensível à tarefa proporciona uma melhoria adicional sobre a regularização SS base.
  • Termo FCE: A adição direta do termo de incerteza ao custo do MPC (sem a moldagem de kernel) melhorou o desempenho em relação ao OLS, mas não superou os preditores já regularizados. Isso sugere que a moldagem da regularização é mais eficaz do que apenas penalizar o erro no horizonte de controle quando o estimador é viesado.
  • Covariância Posterior: A tabela de resultados mostra que o método proposto (SS+W) reduz significativamente o traço da covariância posterior dos parâmetros ($\text{tr}(\Sigma_\theta)$) em comparação com SS e OLS, correlacionando-se com a melhoria no custo de controle em malha fechada.

5. Significado e Conclusão

O trabalho demonstra que, em cenários de dados limitados e baixa excitação, a simples identificação precisa não é suficiente para garantir um bom desempenho de controle. A sensibilidade local fornece informações cruciais sobre quais parâmetros do modelo impactam mais o objetivo de controle.

• Valor Prático: A técnica é mais eficaz quando combinada com regularização por kernel (como SS), refinando a prior de identificação para ser "consciente da tarefa".
• Limitações e Futuro: A abordagem depende de uma linearização local, o que pode ser menos preciso se a incerteza for muito grande ou se houver viés significativo. Trabalhos futuros devem investigar estratégias automáticas de ajuste de hiperparâmetros (como $\mu$) e a aplicação em outras parametrizações de preditores.

Em suma, o artigo oferece uma ferramenta matemática robusta para alinhar a estimativa de modelos com os objetivos de controle, especialmente em condições desafiadoras de excitação de dados.