Learning a Contracting KKL-observer with Local Optimal Guarantees

Resumo Técnico: Aprendizado de um Observador KKL Contrátil com Garantias de Optimalidade Local

Declaração do Problema
O framework Kazantzis-Kravaris-Luenberger (KKL) oferece uma abordagem geral para estimação de estados não lineares ao imersar a dinâmica do sistema em um espaço latente estável. Embora avanços recentes tenham utilizado aprendizado de máquina para aproximar a transformação KKL (resolvendo a equação diferencial parcial não linear associada), um desafio fundamental permanece: a seleção da dinâmica latente $\phi$. Na prática, essas dinâmicas são frequentemente escolhidas heurística (por exemplo, sistemas diagonais lineares), o que pode garantir estabilidade global, mas frequentemente resulta em desempenho subótimo em relação à sensibilidade do estado estacionário ao ruído de medição e a distúrbios não modelados. O problema central abordado é como projetar sistematicamente a dinâmica latente para alcançar optimalidade local sem comprometer as garantias de contração global inerentes à teoria KKL.

Metodologia
Os autores propõem uma estratégia baseada em aprendizado que sintetiza a robustez global dos observadores KKL com a optimalidade local do Estimador de Energia Mínima (MEE), também conhecido como observador de Mortensen. A metodologia procede em três etapas principais:

1. Caracterização Teórica do Comportamento Local:
   O artigo deriva uma aproximação de primeira ordem da dinâmica do estado reconstruído $\dot{\hat{x}}$ para um observador KKL geral. Esta análise revela que o comportamento local é governado por uma matriz de ganho efetiva $\Psi(\hat{x})$. Os autores demonstram que, para que o observador imite o comportamento local ótimo de um filtro de Mortensen, este ganho deve corresponder a um termo ótimo específico $\Psi_{opt}(\hat{x})$. Este termo ótimo é derivado da solução de uma Equação Riccati Diferencial Parcial (PDRE) associada à Matriz de Informação $P(x)$.

2. Estratégia de Aprendizado com Restrições Estruturais:
   Para realizar este comportamento teoricamente ótimo, os autores empregam Aprendizado Profundo para aproximar três componentes-chave: o mapa de imersão $\hat{T}$, o mapa de reconstrução $\hat{\tau}$ e a dinâmica latente $\hat{\phi}$.

   • Garantia de Contração: Para assegurar estabilidade global (Requisito R2), a dinâmica latente $\hat{\phi}$ é parametrizada usando NodeRENs (Equações Diferenciais Ordinárias Neurais com restrições estruturais específicas), que matematicamente impõem a propriedade de contração por projeto.
   • Aproximação de Optimalidade: Como resolver a PDRE para $P(x)$ é intratável para sistemas não lineares gerais, um Perceptron Multicamadas (MLP) é primeiro treinado para aproximar a matriz de informação inversa $\hat{P}^{-1}$, minimizando o resíduo da PDRE transformada.
   • Otimização Conjunta: O mapa de imersão, o mapa de reconstrução e a dinâmica latente são treinados conjuntamente para minimizar uma função de perda composta. Esta perda inclui:
     • $\ell_{pde}$: Penalizando desvios da EDP KKL.
     • $\ell_{inv}$: Garantindo que o mapa de reconstrução seja uma inversa à esquerda do mapa de imersão.
     • $\ell_{opt}$: Forçando o ganho efetivo do observador aprendido a corresponder ao ganho ótimo derivado da $\hat{P}^{-1}$ aproximada.

Principais Contribuições

• Condição de Optimalidade Local: O artigo deriva uma condição específica sobre a dinâmica latente tal que um observador KKL imita localmente o comportamento de um Estimador de Energia Mínima (observador de Mortensen) quando o erro de estimação é pequeno.
• Framework de Aprendizado Baseado em Contração: Introduz uma metodologia para aprender observadores KKL usando redes neurais que impõem estruturalmente a contração (via NodeRENs), garantindo assim robustez global enquanto otimizam o desempenho local.
• Aproximação de Filtragem Ótima: O trabalho preenche a lacuna entre a teoria de filtragem ótima (que tipicamente requer a resolução de equações HJB de dimensão infinita) e o projeto prático de observadores, utilizando aproximação orientada por dados da Matriz de Informação e da estrutura de ganho ótima associada.

Resultados
A metodologia proposta foi validada através de simulações numéricas em dois benchmarks não lineares: o oscilador de Van der Pol e o oscilador de Duffing reverso.

• Estabilidade Global: Os observadores aprendidos demonstraram convergência robusta a partir de condições iniciais arbitrárias, atribuída à propriedade de contração imposta da dinâmica latente.
• Tratamento de Ruído: Os estimadores rastrearam com precisão os estados do sistema na presença de ruído de medição significativo.
• Sintonizabilidade: As simulações mostraram que, ajustando as matrizes de ponderação ($R$) na função de perda de treinamento, o comportamento do observador poderia ser sintonizado. Um $R$ menor levou o observador a rastrear dinâmicas ruidosas mais de perto, enquanto um $R$ maior fez com que ele dependesse mais fortemente do modelo do sistema, demonstrando a capacidade de trocar entre fidelidade do modelo e rejeição de ruído.

Significado e Alegações
Os autores afirmam que este trabalho fornece uma "caracterização principista" da dinâmica latente para observadores KKL, indo além da seleção heurística. Ao combinar garantias de contração global com um objetivo de aprendizado que visa a optimalidade local, a estratégia proposta oferece uma maneira sistemática de projetar observadores que são tanto robustos à inicialização quanto sensíveis ao ruído de maneira controlada. O artigo posiciona modestamente estes resultados como uma demonstração em benchmarks acadêmicos, observando que trabalhos futuros focarão em estabelecer limites de aproximação para os modelos aprendidos e estender a teoria para dinâmicas de tempo discreto. A abordagem é apresentada como uma solução para sistemas onde soluções analíticas para a EDP KKL estão fora de alcance e observadores padrão podem ter dificuldades com o desempenho em relação ao ruído.