Resumo Técnico: Aprendizado de Dinâmica Koopman Neural Estável e Consciente do Ambiente para Sistemas Dirigidos por Entrada sob Restrições Ambientais

1. Definição do Problema

O artigo aborda o desafio de construir modelos preditivos para sistemas dinâmicos não lineares a partir de dados de medição, especificamente sob condições operacionais variáveis de ambiente. Embora os métodos existentes tenham avançado no campo, eles falham em abordar simultaneamente três requisitos críticos dentro de um arcabouço treinável unificado:

1. Variabilidade Ambiental: A maioria dos modelos aprendidos trata o ambiente como fixo ou depende da codificação implícita de parâmetros físicos (ex: carga útil, fricção) dentro do estado, o que falha quando as condições mudam para fora da distribuição de treinamento.
2. Garantias de Estabilidade Rigorosas: Abordagens de aprendizado profundo frequentemente carecem de interpretabilidade e certificação de estabilidade. Embora as Neural ODEs e os operadores de Koopman ofereçam caminhos para a estabilidade, eles raramente são combinados com condicionamento ambiental.
3. Certificação de Estabilidade Entrada-Estado (ISS): Métodos existentes têm dificuldade em fornecer certificados analíticos de ISS para sistemas com entradas variantes no tempo e parâmetros ambientais oscilantes.

O objetivo central é aprender um modelo paramétrico que minimize o erro de previsão de trajetória em dados não vistos, fornecendo simultaneamente certificados analíticos de convergência e ISS sem a necessidade de amostragem.

2. Metodologia: O Arcabouço ESNKD

O arcabouço proposto Environment-Aware Stable Neural Koopman Dynamics (ESNKD) integra quatro componentes acoplados para abordar as lacunas identificadas:

A. Codificação Ambiental Estruturada em Feixes (Bundle-Structured)

Inspirado no arcabouço de feixes (fiber bundle), o método emprega um codificador $\psi_\phi$ que mapeia observações ambientais ruidosas $y_t$ para uma coordenada latente estruturada $z_t$.

• Regularização Geométrica: Diferente de codificadores padrão, este componente inclui um regularizador de isometria ($L_{enc}$) para preservar a estrutura métrica do manifold ambiental. Isso evita o acoplamento espúrio entre distintas condições ambientais, garantindo que o campo vetorial aprendido permança robusto a perturbações ambientais.
• Papel: A coordenada latente $z$ parametriza o campo vetorial, permitindo que o modelo se adapte dinamicamente a mudanças nos parâmetros físicos (ex: fricção, massa).

B. Dinâmica Condicionada por Entrada

A dinâmica do sistema é modelada como um campo vetorial decomposto:
$$\dot{x} = f_\theta(x, u, z) = f_s(x) + f_r(x, u, z)$$

• Estrutura: $f_s(x) = -Kx$ fornece uma base linear estabilizadora. $f_r$ é um resíduo neural que incorpora o estado $x$, a entrada de controle $u$ e o ambiente $z$.
• Acoplamento: O acoplamento entre ambiente e entrada é realizado via uma camada de Modulação Linear por Características (FiLM), ligando as coordenadas ambientais diretamente ao campo vetorial. Isso estende a filosofia de "concomitante de entrada" dos ICODEs para incluir o condicionamento ambiental.
• Estabilização: A normalização espectral é aplicada para restringir a constante de Lipschitz do resíduo, estabilizando os cálculos do Jacobiano.

C. Camada de Síntese de Contração

Para impor a convergência, o arcabouço adota uma abordagem de análise de contração análoga às ControlSynth Neural ODEs (CSODEs).

• Condição: O sistema é treinado para satisfazer uma condição de contração onde a parte simétrica do Jacobiano é definida negativa: $\text{sym}(\frac{\partial f_\theta}{\partial x}) \preceq -\beta I$.
• Treinamento: Uma penalidade de dobradiça (hinge penalty, $L_{con}$) é minimizada durante o treinamento para garantir que o autovalor máximo do Jacobiano simétrico permaneça abaixo de $-\beta$. Esta técnica é agnóstica à arquitetura e lida com a dependência do ambiente através de $z$.

D. Elevação de Koopman e Verificação de ISS

Seguindo o pipeline teórico de trabalhos recentes sobre modelos Koopman verificados por ISS, o arcabouço realiza uma etapa de verificação post-hoc:

• Elevação (Lifting): Um dicionário de observáveis $\phi(x, z)$ (composto por monômios de segundo grau do estado e do ambiente) é construído.
• Identificação: A dinâmica elevada é aproximada como um sistema linear $\dot{\phi} = A\phi + Bu$ via regressão de mínimos quadrados.
• Certificação: A Estabilidade Entrada-Estado (ISS) é verificada resolvendo um problema de viabilidade de Desigualdade Matriz Linear (LMI). Se viável, isso fornece um certificado analítico de ISS com limites de ganho explícitos, convertendo uma questão de robustez em um programa convexo tratável.

3. Garantias Teóricas

O artigo fornece provas teóricas rigorosas cobrindo:

• Existência e Unicidade: As soluções existem e são únicas sob condições de Lipschitz padrão.
• Estabilidade Exponencial Incremental: Se a condição de contração for satisfeita, quaisquer duas trajetórias impulsionadas pelo mesmo input e ambiente convergem exponencialmente à taxa $\beta$.
• ISS com Limites Explícitos: Se a LMI for viável, o sistema elevado é ISS com um ganho dependente das matrizes de Koopman.
• Robustez: O modelo é robusto a perturbações ambientais; o limite de erro é proporcional à distorção no manifold de ambiente latente, justificando o regularizador de isometria.

4. Resultados Experimentais

O arcabouço foi avaliado em cinco sistemas de referência, incluindo pêndulos amortecidos, cart-poles, HalfCheetah (MuJoCo) e duas plataformas de manipulação robótica (Franka Emika Panda e xArm) sob perturbações desconhecidas de carga útil e fricção.

• Precisão de Previsão: O ESNKD alcançou o menor Erro Quadrático Médio (RMSE) em todas as tarefas, mostrando melhorias relativas de 26,3% e 21,5% sobre o melhor baseline (ISS-Koopman) nas tarefas de pêndulo e HalfCheetah, respectivamente.
• Estabilidade e Segurança: O ESNKD obteve a menor Taxa de Violação de Estabilidade (SVR) em todas as tarefas (média de 2,4% vs. 7,2% para ISS-Koopman e 17,9% para Neural ODE).
• Certificação de ISS: O método alcançou uma Taxa de Sucesso de Certificação ISS (ISS-SR) de 85–94,7% entre as tarefas. Em contraste, métodos sem elevação de Koopman (Neural ODE, ICODE, ControlSynth) não puderam produzir certificados, e o Deep Koopman alcançou no máximo 47,8%.
• Estudo de Ablação: Remover o codificador ambiental aumentou o RMSE em 63%. Remover a perda de contração reduziu a ISS-SR em 46 pontos percentuais, confirmando que a regularização de estabilidade é essencial para a certificação de segurança.

5. Significância e Alegações

O artigo afirma que o ESNKD é o primeiro arcabouço unificado a combinar simultaneamente codificação ambiental, síntese de estabilidade e certificação de ISS.

• Preenchimento de Lacunas: Ele aborda a lacuna estrutural onde a codificação ambiental, a síntese de estabilidade e a certificação de ISS foram tratadas separadamente até então.
• Regularidade Geométrica: Demonstra que a regularidade geométrica das representações latentes estruturadas em feixes melhora a qualidade da elevação de Koopman e da certificação de estabilidade.
• Atingibilidade Prática: Os resultados sugerem que Neural ODEs com estabilidade certificada são praticavelmente atingíveis mesmo sob condições variáveis de ambiente e entradas variantes no tempo.
• Caminho para Exploração Segura: Os autores sugerem que os certificados de ISS obtidos permitem o uso de Controle Preditivo Baseado em Modelo (MPC) robusto linear para exploração segura, complementando abordagens de Função de Barreira de Controle (CBF) conscientes de medição.

O artigo conclui que, embora a identificação de Koopman seja atualmente realizada post-hoc, o arcabouço estabelece um caminho viável para aprender modelos de dinâmica ambientalmente conscientes e comprovadamente estáveis a partir de dados.