Input-to-State Stable Bundle Koopman Neural ODEs for Learning Controlled Dynamics under Environmental Constraints

Resumo Técnico: ISS-BKNO para Aprendizado de Dinâmicas Controladas sob Restrições Ambientais

Definição do Problema
O artigo aborda o desafio de aprender modelos precisos e certificadamente estáveis para sistemas dinâmicos não lineares controlados que operam sob condições ambientais variáveis. As abordagens existentes normalmente tratam estabilidade, entradas extrínsecas ou restrições ambientais de forma isolada. Especificamente:

• Métodos Koopman oferecem representações lineares, mas frequentemente perdem a estrutura espectral explícita ao utilizar aprendizado profundo, complicando os certificados de estabilidade.
• Neural ODEs Estáveis fornecem modelos de profundidade contínua, mas frequentemente carecem de garantias contra mudanças de distribuição ou distúrbios externos.
• Aprendizado consciente do ambiente tem dificuldade em separar as restrições geométricas (fibras) da dinâmica, mantendo simultaneamente garantias de convergência global.

Os autores identificam uma lacuna em métodos que forneçam simultaneamente: (i) um sistema de coordenadas latentes explícito e condicionado ao ambiente, separando a geometria da fibra da dinâmica; (ii) um certificado de Estabilidade de Entrada para Estado (ISS) verificável via programação semidefinida; e (iii) um objetivo de treinamento unificado que imponha essas propriedades conjuntamente.

Metodologia: O Framework ISS-BKNO
O framework proposto, ISS-BKNO (Input-to-State Stable Bundle Koopman Neural ODE), integra identificação de operador Koopman, Neural ODEs, geometria de feixe (bundle geometry) e certificação ISS em um pipeline de levantamento (lifting) de três estágios:

1. Codificador Consciente do Feixe (Bundle-Aware Encoder):
   O estado físico $x$ e o sinal ambiental $\xi$ são mapeados para uma fibra $F_\xi$ dentro de um espaço levantado $Z$. Este codificador, $\Phi(x, \xi)$, garante que as representações latentes para diferentes ambientes sejam geometricamente separadas, aderindo à estrutura de feixe $\pi: Z \to E$.

2. Backbone Koopman Condicionado ao Ambiente:
   O estado latente é adicionalmente levantado para um espaço observável $\psi$ via $\Psi(z)$. A dinâmica é modelada como:
   $$\dot{\psi} = K(\xi)\psi + B(\xi)u + r_\theta(\psi, u, \xi)$$
   Aqui, $K(\xi)$ e $B(\xi)$ são matrizes condicionadas ao ambiente $\xi$ (geradas por pequenas cabeças MLP). Crucialmente, $K(\xi)$ é parametrizado para ser Hurwitz por construção usando uma decomposição do tipo Persidskii:
   $$K(\xi) = -\frac{1}{2}Q(\xi)^\top Q(\xi) + S(\xi)$$
   onde $S(\xi)$ é antissimétrica. Isso garante que a parte simétrica de $K(\xi)$ seja semidefinida negativa, garantindo a contração em direção à solução nominal.

3. Correção por Neural ODE Residual:
   Um termo residual $r_\theta$ corrige a aproximação linear. Seu Jacobiano é restringido para satisfazer um limite de setor quadrático, garantindo que a não linearidade não viole as condições de estabilidade.

Certificação de Estabilidade e Treinamento
O framework emprega uma regularização ISS baseada em Lyapunov. Um candidato de Lyapunov quadrático $V(\psi) = \psi^\top P \psi$ é aprendido conjuntamente com o modelo. O objetivo de treinamento inclui um termo de penalidade ($L_{ISS}$) que impõe uma condição de decréscimo de Lyapunov:
$$\dot{V} \leq -\alpha V + \gamma |w|^2$$
Esta condição é formulada como uma Desigualdade Matriz Linear (LMI) envolvendo os parâmetros aprendidos $P$, o ganho $\gamma$ e o multiplicador de setor $\lambda$. Diferente da verificação post-hoc, esta LMI faz parte da perda de treinamento diferenciável, direcionando o otimizador para minimizar o ganho ISS $\gamma$ enquanto satisfaz as restrições de estabilidade. A perda total combina erro de predição, regularização ISS, perda de reconstrução e penalidades de Função de Barreira de Controle (CBF).

Principais Contribuições

1. Levantamento Koopman Consciente de Feixe (Bundle-Aware Koopman Lifting): Um codificador inovador que mapeia estados para fibras específicas do ambiente, separando restrições geométricas da evolução dinâmica.
2. Regularização ISS Baseada em Lyapunov: Uma função de perda diferenciável que impõe uma condição de decréscimo quadrático durante o treinamento, resultando em um ganho ISS de forma fechada após a convergência.
3. Garantias Teóricas:
   • Prova de invariância de fibra para o mapa de coordenadas do feixe.
   • Prova de ISS para a dinâmica latente com uma fórmula de ganho explícita.
   • Derivação de um limite de erro de aproximação relacionando o RMSE de predição ao resíduo da Decomposição de Modos Dinâmicos Estendida (EDMD).
4. Validação Empírica: Testes abrangentes em quatro tarefas de benchmark (pêndulo, cart-pole, navegação de unicycle e manipulador de 7-DOF) demonstrando desempenho superior sobre as bases de comparação existentes.

Resultados Experimentais
Experimentos foram conduzidos em quatro tarefas envolvendo variáveis físicas distintas (ex: comprimento da haste, massa, fricção, carga útil) e distúrbios externos. O framework foi comparado contra cinco baselines: Neural ODE (NODE) vanilla, Koopman-EDMD, Koopman+ISS (post-hoc), ControlSynth Neural ODE (CSODE) e ICODE.

• Acurácia de Predição: O ISS-BKNO alcançou o menor Erro Quadrático Médio (RMSE) em todas as tarefas. Notavelmente, apresentou uma redução de 58% no RMSE de predição em comparação com a Neural ODE vanilla.
• Robustez: Sob distúrbios senoidais, o ISS-BKNO manteve um envelope de erro limitado consistente com os limites teóricos, enquanto modelos sem certificados ISS explícitos (como a NODE) acumularam desvios persistentes.
• Viabilidade de Estabilidade: O método alcançou uma taxa de viabilidade de LMI de 100% durante os testes. Em contraste, o baseline Koopman+ISS post-hoc falhou nos testes de viabilidade em 6% dos episódios devido a violações do raio espectral sob mudanças de distribuição.
• Generalização: A degradação de desempenho foi mais suave perto das fronteiras da distribuição de treinamento, superando baselines que careciam de estruturas de feixe explícitas.

Significância e Alegações
O artigo afirma que o ISS-BKNO fornece uma solução unificada para os problemas desconexos de estabilidade, adaptação ambiental e tratamento de restrições geométricas no controle baseado em dados. Ao integrar a geometria de feixe com um backbone Koopman parametrizado por Hurwitz e um regularizador ISS diferenciável, o framework elimina a necessidade de verificações de estabilidade post-hoc. Os autores asseguram que esta abordagem permite a implementação de controladores baseados em aprendizado em ambientes críticos de segurança, fornecendo garantias de convergência global e ganhos ISS computáveis diretamente do processo de treinamento. Os resultados teóricos vinculam a acurácia de predição diretamente ao resíduo da EDMD, oferecendo um critério principiado para a seleção do dicionário.