Beyond Shrinkage: Foundations of Data-Driven Control for Piecewise Affine Systems

Resumo Técnico: Além da Contração: Fundamentos do Controle Orientado a Dados para Sistemas Afins por Partes

Declaração do Problema
O Controle Preditivo Habilitado por Dados (DeePC) emergiu como um quadro poderoso para controlar sistemas diretamente a partir de dados brutos de entrada/saída, contornando a identificação explícita do sistema. Embora eficaz para sistemas Lineares e Invariantes no Tempo (LTI), estender o DeePC para sistemas não lineares permanece um desafio significativo. Os sistemas Afins por Partes (PWA) são uma classe proeminente de modelos não lineares, conhecidos por suas capacidades de aproximação universal e uso extenso na literatura de controle. No entanto, as estratégias existentes orientadas a dados para sistemas não lineares frequentemente dependem de linearização, preditores afins locais ou técnicas de seleção de dados que não levam em conta explicitamente a lógica de comutação estrutural dos sistemas PWA. Atualmente, nenhuma estratégia aborda especificamente o controle preditivo orientado a dados para sistemas PWA que garanta que as decisões do controlador sejam coerentes com o comportamento por partes subjacente do sistema. Além disso, o impacto das estratégias de regularização (contração) na obtenção dessa coerência, e a sensibilidade desses métodos à má classificação de dados, permanece inexplorado.

Metodologia
Os autores desenvolvem uma fundação teórica para o controle orientado a dados de sistemas PWA, estendendo o Lema Fundamental de Willems. A metodologia procede através das seguintes etapas:

1. Caracterização Comportamental: O artigo transita de uma representação PWA no espaço de estados para um modelo PWARX (Afim por Partes com Entradas Exógenas) equivalente. Estabelece uma representação em núcleo onde o comportamento global é uma soma ponderada de núcleos afins locais, ditada pelo modo ativo.
2. Representação Orientada a Dados: Os autores propõem uma extensão do Lema Fundamental de Willems para sistemas PWA. Eles constroem uma matriz de dados "Mosaico" dividindo os dados disponíveis em subconjuntos correspondentes a modos específicos (assumindo que a sequência de modos ativos é conhecida para o conjunto de dados). Isso leva a um preditor orientado a dados que utiliza uma matriz de seleção binária para impor padrões de esparsidade consistentes com o modo ativo.
3. Análise de Estratégias de Contração: Em vez de resolver o problema de inteiros mistos computacionalmente caro necessário para otimizar explicitamente a sequência de modos ativos, os autores analisam dois esquemas DeePC "baseados em contração" que dependem de regularização para induzir esparsidade:
   • Elastic-DeePC: Utiliza um regularizador Elastic Net (combinando normas $L_1$ e $L_2$) para promover esparsidade nos seletore de dados.
   • CAP-DeePC: Utiliza a Penalidade Absoluta Composta (especificamente Group Lasso) para promover a esparsificação de grupos de comportamentos locais.
4. Análise de Coerência: O artigo define "coerência" como a capacidade da solução DeePC de utilizar dados exclusivamente do modo ativo exigido pelas condições iniciais e pela trajetória de referência. Os autores derivam soluções explícitas e condições necessárias para que esses esquemas de contração alcancem tal coerência.
5. Impacto da Má Classificação: Reconhecendo que a sequência de modos ativos é tipicamente desconhecida na prática, os autores analisam o impacto de estimar modos via agrupamento não supervisionado (por exemplo, K-means). Eles derivam limites sobre o custo atingido quando as matrizes de dados são construídas utilizando dados mal classificados, comparando o desempenho do Elastic-DeePC e do CAP-DeePC sob essas condições.

Principais Contribuições

• Extensão Comportamental: O artigo fornece uma caracterização comportamental de sistemas PWA e estende o Lema Fundamental de Willems para esta classe, definindo um preditor orientado a dados baseado em matrizes de dados Mosaico e seleção binária.
• Limitações de Coerência: A análise teórica e a derivação de soluções explícitas revelam que o uso de regularização por contração (Elastic Net ou Group Lasso) sozinho é insuficiente para garantir que as ações de controle sejam coerentes com o comportamento PWA real. As soluções frequentemente dependem de dados de múltiplos modos, mesmo quando apenas um deveria estar ativo, levando a resultados que não são estruturalmente consistentes com a dinâmica do sistema.
• Análise de Regularização: O estudo introduz a primeira análise da regularização por Penalidade Absoluta Composta (CAP) para sistemas PWA, contrastando-a com o Elastic Net. Demonstra-se que, embora a CAP promova esparsidade de grupo, ela não pode impor a coerência estrutural estrita requerida para sistemas PWA sem resolver um problema de inteiros mistos.
• Limites de Má Classificação: Os autores fornecem limites teóricos sobre a degradação de desempenho (custo) causada pela má classificação de pontos de dados em clusters de modos incorretos. A análise mostra que o CAP-DeePC é mais sensível a esses erros do que o Elastic-DeePC devido à sua dependência dos tamanhos dos clusters no parâmetro de regularização.

Resultados
Experimentos numéricos em um sistema PWA simples validam as descobertas teóricas:

• Desempenho de Rastreamento: Ambos os esquemas baseados em contração podem rastrear referências e forçar o sistema a alternar modos. No entanto, o Indicador de Desempenho Comportamental (BPI) mostra que os padrões de esparsidade das soluções raramente correspondem ao comportamento real do sistema (ou seja, o BPI não é igual a 1), confirmando a falta de coerência.
• Comutação de Modos: O desempenho tende a deteriorar-se quando o sistema é forçado a alternar do segundo modo de volta para o primeiro, destacando a dificuldade da abordagem de contração em lidar com transições.
• Impacto de Erros: Quando os dados são mal classificados (simulados via agrupamento K-means), o desempenho do CAP-DeePC deteriora-se significativamente em comparação com o caso de agrupamento exato, enquanto o Elastic-DeePC mostra ligeira melhoria ou estabilidade. Isso alinha-se com os limites teóricos, indicando a maior sensibilidade do CAP-DeePC a erros de partição de dados.

Significado e Alegações
O artigo afirma estabelecer a fundação básica para o controle orientado a dados de sistemas PWA. Seu significado principal reside em demonstrar que a simples aplicação de regularização de contração padrão a um quadro DeePC é inadequada para sistemas PWA. Os autores argumentam que, embora tais métodos possam alcançar o rastreamento de entrada/saída, eles falham em produzir ações de controle que sejam "explicáveis" ou coerentes com a estrutura por partes subjacente do sistema.

O trabalho conclui que, para garantir a coerência entre a solução do controlador e o comportamento local do sistema, as abordagens futuras devem ir além da regularização simples. Os autores sugerem que isso exige uma mudança para esquemas DeePC de inteiros mistos que otimizem explicitamente a sequência de modos ativos, apesar da complexidade computacional associada. Adicionalmente, o artigo observa que seus resultados atuais são limitados a dados livres de ruído e contagens de modos conhecidas, identificando essas como áreas necessárias para pesquisa futura.