Families of Control-Cost-Parametrized Inverse-Optimal Universal Stabilizers

Resumo Técnico: Famílias de Estabilizadores Universais de Controle Parametrizados por Custo-Controle

Enunciado do Problema
O artigo aborda uma limitação fundamental na estabilização universal clássica, especificamente a fórmula de Sontag. Embora a fórmula de Sontag garanta estabilidade assintótica global para qualquer sistema que admita uma Função de Lyapunov de Controle (CLF), ela não oferece liberdade de projeto ao praticante; trata-se de um objeto único e sem parâmetros. Por outrooso, a construção de Curtis–Beard fornece uma família completa de controladores inversamente ótimos, mas depende de duas funções dependentes do estado com efeitos indiretos e complexos nos transientes de malha fechada, tornando difícil a interpretação e o ajuste. Os autores visam preencher essa lacuna introduzindo uma família parametrizada de leis de feedback estabilizadoras que oferece liberdade de projeto explícita, mantendo simultaneamente garantias rigorosas de estabilidade e otimalidade inversa.

Metodologia
O framework proposto, denominado "meio-direto-ótimo" (half-direct-optimal), inverte a ordem tradicional do design de otimalidade inversa. Em vez de construir um controlador e então identificar um funcional de custo que ele minimiza, o projetista prescreve primeiro uma função escalar $\gamma(s)$ que representa o custo corrente sobre o controle de entrada.

A metodologia procede através de uma construção de três etapas para mapear a função de custo escolhida $\gamma$ para uma função "expansora" não linear $\kappa$:

1. Diferenciação: Computar a derivada $\gamma'$.
2. Contração Algébrica: Definir uma função "contratora" $\Theta(s) = s - \gamma(s)/\gamma'(s)$.
3. Inversão: Definir o expansor como a inversa, $\kappa = \Theta^{-1}$.

Dado uma CLF $V(x)$ e uma lei de feedback nominal (como a fórmula de norma mínima de Freeman-Kokotovic ou a fórmula de meio-Sontag), o feedback estabilizador final $u^*(x)$ é construído aplicando o expansor $\kappa$ à magnitude do controle nominal: $u^*(x) = \text{sgn}(u_0(x))\kappa(|u_0(x)|)$.

Para facilitar a implementação prática, o artigo estabelece que o mapeamento $\mathcal{K}: \gamma \mapsto \kappa$ é Lipschitz contínuo em subconjuntos compactos do espaço de funções relevante. Essa regularidade permite que toda a família de controladores seja uniformemente aproximada por um único Operador Neural (especificamente um Operador Neural de Fourier). Isso permite a exploração offline do espaço de projeto e a adaptação online sem a necessidade de resolver o problema de inversão de dimensão infinita a cada passo de tempo.

Principais Contribuições

1. Paradigma de Design Meio-Direto-Ótimo: O artigo introduz uma família de estabilizadores onde o custo de controle $\gamma$ é o parâmetro de projeto primário. É provado que cada controlador nesta família é o minimizador único de um funcional de custo de horizonte infinito com o custo de controle prescrito $\gamma$ e um custo de estado induzido $q(x)$.
2. Lipschitzidade e Aprendibilidade: Os autores provam que o operador que mapeia o custo de controle $\gamma$ para o expansor $\kappa$ é Lipschitz. Este resultado teórico garante que operadores neurais podem aproximar o mapeamento com precisão arbitrária, transformando a construção teórica em uma ferramenta de engenharia escalável.
3. Estabilidade e Quase-Otimalidade sob Aproximação: O artigo estabelece que, quando o expansor é aproximado por um operador neural, a lei de feedback resultante preserva a estabilidade assintótica prática semiglobal (SPAS). Além disso, quantifica a perda de desempenho: a distorção do custo de estado induzido é uma perturbação de segunda ordem ($O(\epsilon^2)$) em relação ao erro de aproximação $\epsilon$ do operador neural. Um limite de otimalidade de horizonte finito também é derivado para medir a lacuna de desempenho entre os controladores aproximados e exatos.

Resultados
Os resultados teóricos são ilustrados numericamente usando um modelo de dinâmica de uniciclo. O estudo compara três controladores:

• O controlador inversamente ótimo exato (computado via bisseção).
• O controlador aproximado pelo operador neural.
• O controlador de meio-Sontag nominal (custo quadrático).

Os resultados numéricos demonstram que a aproximação do operador neural é visualmente indistinguível da solução exata nas trajetórias de malha fechada. O controlador aprendido conduz o sistema com sucesso à origem, preservando a estabilidade. Os resultados confirmam que, enquanto o design inversamente ótimo exato produz transientes mais agressivos e convergência de CLF mais rápida (ao custo de maior esforço de controle), a aproximação neural replica fielmente o mapeamento do expansor, validando a viabilidade do uso de aprendizado de máquina para implantar esta família paramétrica.

Significância
O artigo afirma transformar o controle universal de um resultado de existência teórica em uma ferramenta de engenharia prática. Ao permitir que o praticante selecione uma função de custo $\gamma$ que codifica preferências específicas de agressividade ou cautela no controle, o framework fornece uma maneira sistemática de moldar o comportamento transiente. A natureza "meio-direta-ótima" do design garante que a modelagem de desempenho e a otimalidade inversa não estejam em tensão, mas sejam propriedades intrínsecas do mesmo objeto. A integração de operadores neurais permite o uso em escala desses controladores, possibilitando a exploração massiva de desempenho offline e a adaptação online, tornando assim a elegância teórica da estabilização universal acessível à aplicação prática.

Nota: O artigo observa explicitamente que o problema dual — onde o custo de estado é arbitrário e o custo de controle é induzido — é mais fácil e está fora do escopo deste trabalho. O presente trabalho foca no caso onde o custo de controle é o dado de entrada do projeto.