Resumo Técnico: Dinâmicas Residuais de Koopman em Fibra Estáveis para Controle Robusto Condiicionado ao Ambiente

1. Formulação do Problema

Modelos dinâmicos baseados em aprendizado para robótica e controle enfrentam um compromisso fundamental entre expressividade e garantias formais. Embora classes de modelos mais ricas (por exemplo, redes neurais profundas) melhorem a precisão preditiva, suas propriedades de estabilidade são frequentemente verificadas apenas empiricamente. Por outro lado, aproximações lineares, como os métodos do operador de Koopman, oferecem análise espectral e ferramentas formais de estabilidade, mas sofrem com aproximações finitas imperfeitas, onde os resíduos de elevação podem crescer com a faixa de operação e desestabilizar o modelo.

Além disso, sistemas do mundo real operam em condições ambientais variáveis (por exemplo, atrito do solo, velocidade do vento) que alteram a dinâmica efetiva. Os métodos existentes lutam para capturar esse contínuo:

• Métodos de Koopman frequentemente carecem de caracterização de Estabilidade Entrada-Estado (ISS) para aproximações de dimensão finita.
• Aprendizado de resíduos (por exemplo, ICODE-MPPI) melhora a precisão, mas delega a estabilidade inteiramente a um modelo nominal, que tipicamente é válido apenas localmente.
• Modelos condicionados ao ambiente (por exemplo, ICODE, feixes induzidos por medição) melhoram a generalização, mas não foram combinados com garantias rigorosas de ISS em malha fechada.

O problema central abordado é a falta de um framework unificado que garanta simultaneamente consistência geométrica consciente do ambiente, certificação de estabilidade no espaço latente e propagação limitada de perturbações residuais.

2. Metodologia: Dinâmicas Residuais de Koopman em Fibra Estáveis (SFKD)

O artigo propõe a SFKD, um framework unificado que integra a geometria de feixes de fibras, evolução de Koopman condicionada ao ambiente e resíduos regularizados por contração.

A. Estrutura Latente de Feixe de Fibras

A dependência do ambiente é formalizada por meio de um feixe de fibras $\pi: \mathcal{M} \to \mathcal{E}$, onde o espaço total $\mathcal{M}$ é a variedade latente e cada fibra $\mathcal{F}_e$ suporta dinâmicas para um ambiente específico $e$.

• Codificador: Uma rede de incorporação compartilhada $\psi(e)$ condiciona o codificador $\Phi(x, e)$, mapeando estados físicos para fibras específicas do ambiente. Isso garante a separação geométrica das representações latentes para diferentes ambientes.
• Transporte: Um mapa de transporte horizontal aprendido lida com transições entre fibras quando o ambiente muda.

B. Dinâmicas de Koopman Condicionadas ao Ambiente

As dinâmicas latentes são modeladas como:
$$\hat{z}_{k+1} = A(e_k)\hat{z}_k + B(e_k)u_k + r_\theta(\hat{z}_k, u_k, e_k)$$

• Espinha Dorsal Linear: Os operadores $(A(e), B(e))$ são operadores lineares condicionados ao ambiente aprendidos via mínimos quadrados regularizados.
• Restrição Espectral: Para garantir estabilidade, a norma espectral da matriz de Koopman é restringida: $\|A(e)\|_2 \leq 1 - \beta - \epsilon_0$. Isso é imposto por meio de uma camada de normalização espectral diferenciável.

C. Resíduos Regulados por Contração

O termo residual $r_\theta$ (uma rede neural) captura não linearidades não modeladas.

• Penalidade de Contração: O residual é treinado com uma penalidade de contração de Jacobiano: $L_{contr} = \max(0, \|\frac{\partial r_\theta}{\partial z}\|_2 - \beta)^2$.
• Orçamento de Estabilidade: O parâmetro $\beta$ atua como um "orçamento de estabilidade" alocado para a correção não linear, enquanto a espinha dorsal de Koopman lida com a estrutura linear dominante.

D. Garantia Teórica de Estabilidade (ISS)

O artigo estabelece Estabilidade Entrada-Estado (ISS) para as dinâmicas de erro latente.

• Condição: Se $\alpha := \|A(e)\|_2 + \beta < 1$ para todo $e \in \mathcal{E}$, o sistema é ISS.
• Resultado: O erro de estimação latente $\|e^z_k\|$ é limitado por um termo decrescente (dependente do erro inicial) e um limite final finito dependente da magnitude da perturbação não modelada $\bar{d}$ e da margem de estabilidade $(1-\alpha)$.
• Limite de Rastreamento: Quando incorporado em um controlador de Integral de Caminho de Modelo Preditivo (MPPI), o erro de rastreamento físico é limitado pela soma da precisão nominal do controlador e do limite de erro induzido pela estabilidade do modelo.

3. Contribuições Principais

1. Arquitetura: Introdução de uma arquitetura de dinâmicas latentes de Koopman condicionada a fibras, onde operadores lineares específicos do ambiente são aprendidos em variedades de fibras individuais.
2. Teoria: Derivação de condições analíticas de ISS para dinâmicas compostas de Koopman-resíduo e prova de um limite final finito no erro de estimação sob perturbações persistentes.
3. Controle: Desenvolvimento de um controlador MPPI robusto usando o preditor SFKD certificado, com um limite estabelecido no erro de rastreamento em malha fechada.
4. Validação: Validação abrangente em um benchmark de rastreamento de trajetória de veículo autônomo contra cinco linhas de base em três cenários ambientais.

4. Resultados Experimentais

Os experimentos foram conduzidos em uma simulação de veículo de alta fidelidade com variação de atrito dos pneus ($\mu \in [0.3, 0.9]$) e perturbações de vento. Os cenários incluíram estradas uniformes, quedas abruptas de atrito e comutação entre múltiplos ambientes.

Métricas de Desempenho (vs. Melhores Linhas de Base):

• Precisão de Rastreamento: A SFKD alcançou uma redução de 31% no RMSE de rastreamento em comparação com a melhor linha de base (ICODE-MPPI) no cenário de comutação entre múltiplos ambientes.
• Suavidade de Controle: Foi observada uma melhora de 44% na suavidade de controle (taxa média absoluta de direção).
• Estabilidade: A SFKD manteve uma taxa de violação de estabilidade latente próxima de zero (0,03) em todas as magnitudes de perturbação, enquanto as linhas de base não certificadas exibiram taxas de violação de até 0,43.
• Recuperação: Em cenários de comutação de ambiente, a SFKD recuperou-se em 1–2 passos de tempo, enquanto as linhas de base exibiram picos transitórios prolongados.

Estudos de Ablação:

• A remoção da estrutura de fibra (SFKD−Fiber) aumentou o RMSE em 12% em cenários de comutação, confirmando a necessidade de adaptação específica ao ambiente.
• A remoção da regularização por contração (SFKD−Contr) aumentou a taxa de violação de estabilidade de 0,03 para 0,31, destacando o papel crítico do certificado de estabilidade.

5. Significado e Alegações

O artigo afirma que a SFKD preenche a lacuna entre a condicionamento geométrico do ambiente e garantias rigorosas de estabilidade em malha fechada. Ao decompor as dinâmicas em uma espinha dorsal de Koopman com restrição de norma espectral e um resíduo com restrição de contração, o framework impõe uma condição algébrica simples ($\|A(e)\|_2 + \beta < 1$) que é tanto diferenciável durante o treinamento quanto verificável post-hoc.

O significado reside em fornecer uma rota principista para especificação de desempenho em nível de sistema. O limite de erro de rastreamento derivado decompõe explicitamente o erro total em componentes de desempenho do controlador e de estabilidade do modelo, permitindo que os projetistas troquem complexidade do modelo contra margens de estabilidade. Os resultados demonstram que essa abordagem produz generalização superior em cenários de comutação de ambiente em comparação com métodos que dependem apenas de contração ou aproximações fixas de Koopman, sem sacrificar as garantias formais exigidas para controle robusto.