Data-driven approximation of regions of attraction via an LP-based selection of PWA Lyapunov functions

Resumo Técnico: Aproximação Orientada por Dados de Regiões de Atração via Seleção Baseada em Programação Linear de Funções de Lyapunov PWA

Formulação do Problema
O artigo aborda o desafio de certificar a estabilidade e aproximar a Região de Atração (RoA) para sistemas dinâmicos não lineares com campos vetoriais desconhecidos, $\dot{x} = f(x)$. A análise de estabilidade tradicional depende de modelos matemáticos explícitos, que frequentemente não estão disponíveis para sistemas não lineares complexos. Embora existam métodos orientados por dados, muitos (como abordagens baseadas em redes neurais) carecem de garantias explícitas de robustez, e outros (como Soma de Quadrados) dependem de suposições estruturais que podem limitar a aplicabilidade totalmente orientada por dados.

O objetivo é construir uma RoA certificada utilizando apenas avaliações pontuais do campo vetorial (dados) e limites conhecidos de continuidade de Lipschitz. O problema assume:

1. Um equilíbrio localmente assintoticamente estável único (tomado como a origem).
2. O campo vetorial $f$ é contínuo no sentido de Lipschitz com um limite superior conhecido componente a componente $M$.
3. Um conjunto de dados $D_{N_d} = \{(x_i, f_i)\}$ está disponível a partir de simulações ou medições.
4. Existe um pequeno conjunto poliédrico seguro $A$ contendo o equilíbrio.

Metodologia
A estrutura proposta procede em três etapas principais: caracterização da incerteza, tesselação do espaço de estados e síntese de candidatos a Lyapunov via Programação Linear (LP).

1. Construção do Conjunto de Incerteza:
   Com base na suposição de continuidade de Lipschitz e nos dados disponíveis, os autores constroem um conjunto de incerteza poliédrico $F_{D_{N_d}}$ representando todos os campos vetoriais admissíveis consistentes com os dados.

   • Para cada ponto de dados $(x_i, f_i)$, a restrição de Lipschitz $|f(x) - f_i| \leq M\|x - x_i\|_\infty$ define um conjunto de valores admissíveis.
   • Esta restrição é reformulada em uma união de cones poliédricos em $\mathbb{R}^{n+1}$ (estado e valor do campo vetorial).
   • O conjunto global de incerteza é a interseção desses conjuntos sobre todos os pontos de dados.
   • Crucialmente, para qualquer estado $x$, o conjunto de valores admissíveis do campo vetorial $F(x)$ forma um hiper-retângulo (um produto cartesiano de intervalos). Este mapa de conjuntos permite que a dinâmica do sistema seja descrita como uma inclusão diferencial $\dot{x} \in F(x)$.

2. Tesselação do Espaço de Estados e Candidato PWA:
   O espaço de estados $X$ é particionado em uma tesselação poliédrica $\{Y_j\}$. Os vértices desta tesselação são derivados das projeções dos vértices do gráfico do conjunto de incerteza $F(x)$ sobre o espaço de estados. Isso garante que a partição esteja alinhada com a estrutura geométrica da incerteza.
   Um candidato a Lyapunov Contínuo e Seccionalmente Afim (PWA) $V(x)$ é definido sobre esta partição:
   $$V(x) = a_j^T x + b_j, \quad \forall x \in Y_j$$
   Os coeficientes $(a_j, b_j)$ são as variáveis de decisão a serem determinadas.

3. Síntese Baseada em LP:
   Os autores formulam um Programa Linear (LP) para selecionar os coeficientes $(a_j, b_j)$ de modo que $V(x)$ satisfaça as condições de Lyapunov para todas as dinâmicas admissíveis em $F(x)$.

   • Positividade e Continuidade: Impostas via restrições lineares nos vértices da tesselação e ao longo das fronteiras das células.
   • Condição de Decrescimento: A condição $\nabla V(x)^T f(x) < 0$ deve valer para todo $f(x) \in F(x)$. Como $F(x)$ é um hiper-retângulo convexo, seu máximo é atingido em seus vértices. Assim, a condição é imposta apenas no conjunto finito de vértices $F_v(x)$ do hiper-retângulo.
   • Relaxação: Variáveis de folga são introduzidas para lidar com inviabilidade (por exemplo, próximo ao equilíbrio ou onde os dados são insuficientes), permitindo um processo de refinamento iterativo.

4. Algoritmo Iterativo:
   Um algoritmo iterativo (Algoritmo 1) é proposto:

   • Construir o conjunto de incerteza e extrair vértices.
   • Resolver o LP.
   • Se a condição de decrescimento de Lyapunov não for satisfeita (indicada por variáveis de folga não negativas) ou se o conjunto de incerteza contiver zero (indicando dados insuficientes), novos pontos de dados são adicionados nos vértices problemáticos.
   • O processo repete-se até que uma RoA válida seja certificada ou que os limites de iteração sejam atingidos.

Contribuições Principais

• Modelagem Explícita de Incerteza: O artigo fornece um método rigoroso para construir um conjunto de incerteza poliédrico a partir de dados esparsos e limites de Lipschitz, convertendo a dinâmica desconhecida em uma inclusão diferencial tratável.
• Certificação Baseada em LP: Diferentemente de métodos alternativos que dependem de Programação Cônica de Segunda Ordem (SOCP) ou redes neurais, esta abordagem formula a certificação de estabilidade como um Programa Linear. Isso é alcançado explorando a estrutura de hiper-retângulo do conjunto de incerteza e avaliando as condições apenas em seus vértices.
• Separação de Preocupações: A metodologia desacopla a caracterização da incerteza da síntese de Lyapunov. Esta abordagem em duas etapas melhora a interpretabilidade e permite refinamento iterativo baseado na informatividade dos dados.
• Extração Certificada de RoA: O método garante que o conjunto de nível inferior da função PWA resultante, restrito à componente conexa contendo o equilíbrio, é uma Região de Atração válida consistente com os dados.

Resultados Numéricos
O método foi validado em dois exemplos: um pêndulo amortecido simples e um oscilador de Van der Pol com tempo invertido.

• Pêndulo Amortecido: O algoritmo convergiu em 4 iterações, extraindo com sucesso uma RoA certificada que correspondia à forma da RoA verdadeira. O tempo de otimização foi negligenciável em comparação com o tempo de processamento de dados necessário para calcular os limites de incerteza.
• Oscilador de Van der Pol: O método convergiu em 3 iterações. Embora a RoA certificada tenha sido identificada com sucesso, os resultados destacaram que a condição de decrescimento de Lyapunov não foi satisfeita globalmente (algumas variáveis de folga permaneceram não negativas fora da região certificada), demonstrando a capacidade do método de fornecer limites conservadores e certificados mesmo quando a estabilidade global não pode ser provada a partir dos dados disponíveis.

Significado e Alegações
O artigo afirma que sua contribuição principal é uma estrutura totalmente orientada por dados e tratável para certificação de estabilidade que evita a natureza de "caixa preta" das redes neurais e as suposições estruturais dos métodos polinomiais. Ao combinar conjuntos de incerteza explícitos com funções de Lyapunov PWA, a abordagem oferece:

1. Robustez: As garantias valem para todas as dinâmicas consistentes com os dados e limites de Lipschitz, não apenas para os pontos amostrados.
2. Tratabilidade Computacional: O uso de LP torna o problema escalável em comparação com formulações SOCP.
3. Interpretabilidade: A separação entre modelagem de incerteza e seleção de Lyapunov fornece um processo de certificação claro e passo a passo.

Os autores posicionam este trabalho como uma ponte entre o controle robusto teórico (inclusões diferenciais) e o controle moderno orientado por dados, oferecendo uma ferramenta prática para extrair propriedades de estabilidade certificadas a partir de dados esparsos sem exigir um modelo paramétrico do sistema.