Koopman-based NMPC for Virtually Coupled Train Control System

Resumo Técnico: NMPC baseado em Koopman para Sistema de Controle de Trens com Acoplamento Virtual

Definição do Problema
O artigo aborda os desafios de controle inerentes aos sistemas de trens com acoplamento virtual, onde múltiplas unidades de trem operam cooperativamente a distâncias curtas e com velocidades consistentes por meio de comunicação trem-a-trem (T2T). Embora o acoplamento virtual prometa operações ferroviárias de alta eficiência e alta densidade, ele impõe requisitos rigorosos de troca de informações em tempo real, coordenação precisa de velocidade e garantia estrita de segurança.

As estratégias de controle existentes enfrentam um compromisso (trade-off):

• Abordagens de MPC Linear frequentemente dependem de linearização local, que pode falhar em capturar as não linearidades intrínsecas da dinâmica de tração e frenagem, potencialmente comprometendo a suavidade da operação e a utilização de recursos.
• O Controle Preditivo Baseado em Modelo Não Linear (NMPC) oferece uma estrutura unificada para lidar com dinâmicas não lineares e restrições complexas, mas sofre com altos custos computacionais devido à otimização não convexa, dificultando a implementação em tempo real para aplicações críticas de segurança.
• Métodos baseados em dados (ex: redes neurais, aprendizado por reforço profundo) carecem de interpretabilidade e têm dificuldade em impor restrições operacionais rígidas de forma confiável.

O problema central é desenvolver uma estrutura de controle que lide simultaneamente com a dinâmica não linear do trem e com restrições de segurança complexas (especificamente a evasão de colisão envolvendo termos de velocidade ao quadrado) enquanto garante a eficiência computacional necessária para a execução em tempo real.

Metodologia
Os autores propõem uma abordagem de Controle Preditivo Baseado em Modelo Não Linear baseado em Koopman analítico (K-NMPC). A metodologia procede da seguinte forma:

1. Modelagem do Sistema: A dinâmica do trem é modelada usando as leis de Newton, incorporando posição, velocidade, entradas de controle (forças de tração/frenagem), resistência de rolamento e resistência adicional. As restrições incluem limites de velocidade, limites de entrada de controle, limites de jerk (variação da aceleração) e restrições de evasão de colisão (que contêm termos não lineares relacionados a distâncias de frenagem e tempos de reação).
2. Elevação Analítica (Analytical Lifting): Em vez de identificação baseada em dados (ex: EDMD), os autores empregam um procedimento de elevação analítica. Eles definem um conjunto de observáveis de Koopman que inclui os estados originais (posição, velocidade) e os termos não lineares presentes nas restrições e na dinâmica (especificamente velocidades ao quadrado, $v_i^2$).
   • O conjunto inicial de observáveis é $\Phi_{in} = \{p_i, v_i, v_i^2\}$.
   • Para garantir uma base completa para a dinâmica, termos polinomiais de ordem superior ($v_i^n$ para $n \ge 3$) são teoricamente incluídos, embora uma base reduzida com um grau polinomial máximo $\bar{n}$ seja utilizada para redução de dimensionalidade prática.
3. Sistema Elevado de Koopman: O sistema não linear é transformado em um sistema de Koopman elevado bilinear de dimensão infinita. Este é aproximado por um sistema Afim de Parâmetros Variáveis (APV) de dimensão finita.
4. Predição e Otimização:
   • O modelo APV é discretizado usando uma solução de forma fechada de uma integral de convolução.
   • Crucialmente, os autores congelam os parâmetros afins do preditor elevado ao longo da trajetória prevista deslocada (baseada na solução do passo de tempo anterior).
     ção.
   • Este congelamento transforma o problema de controle ótimo online de um programa não convexo para um Programa Quadrático (QP).
5. Comparação de Linha de Base: O K-NMPC proposto é testado contra um esquema NMPC de tempo discreto padrão que resolve o problema de otimização não linear original diretamente usando o framework CasADi e o solver IPOPT.

Principais Contribuições

• Elevação Analítica para Restrições de Segurança: O artigo demonstra como elevar sistematicamente as restrições de segurança não lineares (especificamente a evasão de colisão envolvendo termos de $v^2$) para o espaço de observáveis de Koopman analiticamente, evitando a necessidade de seleção de dicionário baseada em dados que pode levar a baixa interpretabilidade ou alta dimensionalidade.
• Eficiência Computacional via Formulação QP: Ao congelar os parâmetros APV ao longo da trajetória, o método converte o problema inerentemente não convexo do NMPC em um QP convexo. Isso reduz significativamente a carga computacional online em comparação com a resolução de NLPs não convexos.
• Estrutura Unificada: A abordagem fornece um framework unificado que lida tanto com a dinâmica não linear do trem quanto com restrições operacionais sem recorrer à linearização local ou aproximações de caixa-preta baseadas em dados.

Resultados
O método proposto foi validado através de simulações numéricas utilizando dados operacionais realistas da Linha Yizhuang (seção Tongji Nan a Jinhai Lu) do Metrô de Pequim com uma formação de dois trens.

• Desempenho de Rastreamento: O K-NMPC alcançou um desempenho de rastreamento comparável ao NMPC de linha de base. Especificamente, reduziu o desvio médio absoluto de espaçamento em aproximadamente 49% (de 0,237 m para 0,122 m) enquanto mantinha desvios de velocidade e índices de consumo de energia quase idênticos.
• Tempo Computacional: O K-NMPC demonstrou eficiência computacional superior.
  • Para horizontes de predição ($N_p$) variando de 6 a 20, o tempo de computação médio do K-NMPC variou de 5,4 ms a 17,0 ms, com um máximo abaixo de 23 ms.
  • Em contraste, o NMPC de linha de base exigiu de 20,2 ms a 29,1 ms em média, com tempos máximos atingindo 64–89 ms.
  • O K-NMPC reduziu o tempo de computação médio em 40–70% e o tempo máximo em até 85%.
• Satisfação de Restrições: Ambos os controladores satisfizeram as restrições de força, taxa e evasão de colisão, embora o K-NMPC tenha exibido variações de controle mais suaves após o transiente inicial.

Significância e Alegações
O artigo afirma que a abordagem K-NMPC proposta oferece uma solução viável para a implementação em tempo real de sistemas de controle de trens com acoplamento virtual. Ao transformar o problema de controle ótimo não linear em um programa quadrático eficientemente solúvel através de elevação analítica e congelamento de parâmetros, o método concilia a necessidade de modelagem não linear de alta fidelidade com os rigorosos requisitos de tempo real das operações ferroviárias críticas de segurança. Os autores sustentam que a abordagem mantém um desempenho de controle comparável ao NMPC padrão, oferecendo ganhos substanciais em velocidade computacional, tornando-a uma forte candidata para implantação prática em cenários ferroviários de alta densidade.