⚡ electrical engineering

Robust Data-Driven Nash Equilibrium Seeking under Partial-Decision Information

Este artigo propõe uma estrutura robusta e orientada a dados que permite a busca descentralizada de equilíbrio de Nash em sistemas multiagentes com dinâmicas lineares ou não lineares desconhecidas, distúrbios exógenos e informação de decisão parcial, ao sintetizar controladores estabilizadores diretamente de dados de entrada-estado ruidosos via programas semidefinidos.

Autores originais: Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

Publicado 2026-06-23

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Linqi Wang, Yifei Li, Wenjie Liu, Yuzhou Wei, Gang Wang, Lihua Xie

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um grupo de drones tentando voar em uma formação perfeita enquanto evitam rajadas de vento, mas com um detalhe: nenhum deles consegue ver o que os outros estão fazendo diretamente. Eles só podem falar com seus vizinhos imediatos, e não sabem a física exata de como seus próprios motores ou o vento os afetam. Além disso, eles têm regras estritas a seguir, como "todos devem manter exatamente 30 metros de altitude".

Este artigo apresenta uma nova e inteligente maneira para esses drones (ou qualquer grupo de agentes) descobrirem o arranjo perfeito e estável — chamado de Equilíbrio de Nash — sem precisar de um manual, um projeto ou uma bola de cristal.

Aqui está a divisão da solução deles usando analogias simples:

1. O Problema: A "Orquestra Cega"

Normalmente, para fazer um grupo de agentes concordar com uma estratégia, você precisa saber duas coisas:

As Regras: Como o sistema se move (a matemática do drone).
A Partitura: O que todos os outros estão fazendo agora.

Neste artigo, a "orquestra" está tocando no escuro.

Informação Parcial: Cada drone apenas ouve seus vizinhos, não a banda inteira.
Dinâmica Desconhecida: Eles não sabem seu próprio peso, potência do motor ou como o vento os empurra.
Perturbações: Existe um ruído externo (vento) atrapalhando as coisas.
Regras Estritas: Eles devem satisfazer restrições específicas (como manter uma altitude fixa).

Se eles tentassem adivinhar a matemática ou pedissem a lista completa dos movimentos de todos, o sistema falharia ou seria lento demais.

2. A Solução: O "Detetive Baseado em Dados"

Em vez de tentar entender a física primeiro, os autores dizem: "Vamos apenas observar o que acontece quando apertamos os botões."

Eles propõem uma estrutura que atua como um detetive que resolve um crime olhando para as evidências (dados) em vez de conhecer o histórico do criminoso (o modelo).

Os Quatro Pilares da Estrutura

Os autores construíram um "sistema de controle" com quatro ferramentas distintas trabalhando juntas:

O "Calculador de Objetivos" (Modelo NE):
Imagine que cada drone tem uma calculadora que pergunta constantemente: "Estou feliz com minha posição atual em relação aos meus vizinhos?" Se não, ela calcula uma pontuação de "arrependimento". Esta calculadora usa um truque matemático especial (condições KKT) para garantir que eles não se movam aleatoriamente, mas sim em direção a um acordo específico e estável onde ninguém queira mudar de ideia.
A "Rede de Sussurros" (Protocolo de Comunicação):
Como um drone não consegue ver todos, ele precisa adivinhar o que os drones distantes estão fazendo. Os autores criaram uma "rede de sussurros". Cada drone pergunta aos seus vizinhos: "O que você acha que os outros estão fazendo?" e passa esse palpite adiante. Com o tempo, esses palpites tornam-se precisos o suficiente para que cada drone efetivamente "saiba" a posição de todo o grupo, embora tenha falado apenas com seus vizinhos.
O "Escudo contra o Vento" (Modelo Interno):
O vento (perturbação) é irritante. Para cancelá-lo, o sistema usa um "Modelo Interno". Pense nisso como um fone de ouvido com cancelamento de ruído para o drone. Se o vento sopra em um padrão previsível (como uma rajada constante ou uma onda), o drone constrói uma cópia mental desse padrão e reage contra ele perfeitamente, mantendo o voo suave.
O "Piloto Baseado em Dados" (O Controlador):
Esta é a parte mágica. Normalmente, você precisa das equações exatas do drone para escrever o código que o controla. Aqui, os autores usam Programação Semidefinida (SDP).

A Analogia: Imagine que você quer ensinar um robô a andar. Em vez de escrever um livro de física para o robô, você apenas o faz andar 50 vezes enquanto registra os dados. Você então alimenta um programa de computador com esse vídeo barulhento e desordenado que diz: "Ok, com base nestas 50 tentativas, aqui está o padrão exato de apertar os botões que funcionou melhor".
O artigo prova que, mesmo que os dados sejam ruidosos (como uma câmera tremida), este método garante que os drones eventualmente parem de oscilar e se estabilizem na formação perfeita.

3. A Reviravolta "Não Linear"

O artigo também aborda uma versão mais difícil: e se os drones tiverem peculiaridades não lineares estranhas (como um motor que se comporta de forma diferente quando esquenta)?

Eles usam uma técnica chamada "Elevação" (Lifting). Imagine pegar um desenho 2D de uma curva e esticá-lo para 3D para que pareça uma linha reta. Isso permite que eles usem a mesma matemática baseada em dados em sistemas complexos e ondulados, desde que essas ondulações sigam certas regras previsíveis (como serem "limitadas" ou "suaves").

4. Os Resultados: Prova na Simulação

Os autores testaram isso em dois cenários:

Rede de UAV: Seis drones tentando alcançar pontos de destino específicos enquanto mantêm uma altitude fixa, apesar do vento.
Formação de Asa Rotativa: Cinco helicópteros com física não linear complexa tentando se coordenar.

O Resultado:

Os drones encontraram com sucesso a formação perfeita (o Equilíbrio de Nash).
Eles ignoraram o vento e mantiveram a altitude correta.
Crucialmente: O desempenho deles foi quase idêntico ao de um sistema "perfeito" que de fato conhecia todas as equações da física. O método baseado em dados funcionou tão bem quanto sem precisar do manual.

Resumo

Este artigo trata de ensinar um grupo de estranhos a dançar em perfeita sincronia sem um coreógrafo, sem conhecer o tempo da música e sem ver os outros dançarinos. Eles fazem isso ao:

Ouvir seus vizinhos imediatos para adivinhar os movimentos de toda a sala.
Gravar seus próprios passos para aprender o ritmo sobre a hora.
Usar um truque de "cancelamento de ruído" para ignorar o vento.
Confiar nos dados que coletaram para guiá-los até a formação de dança perfeita e estável.

O artigo afirma que isso funciona matematicamente e prova com simulações de computador, mostrando que você não precisa conhecer as "regras da física" para controlar sistemas complexos e conectados — você só precisa de bons dados e o algoritmo certo.

Resumo Técnico: Busca de Equilíbrio de Nash Robusta Baseada em Dados sob Informação de Decisão Parcial

Formulação do Problema
Este artigo aborda o desafio da busca descentralizada de equilíbrio de Nash (EN) em sistemas multiagentes caracterizados por dinâmicas lineares (e subsequentemente não lineares) desconhecidas, distúrbios exógenos, restrições de igualdade e informação de decisão parcial. Neste cenário, os agentes visam minimizar funções de custo quadráticas locais sujeitas a restrições de igualdade linear. No entanto, ao contrário das configurações padrão de teoria dos jogos, os agentes não possuem acesso direto às decisões de todos os outros agentes; eles possuem apenas estimativas locais derivadas de um grafo de comunicação conectado. Além disso, a dinâmica do sistema é desconhecida e os agentes estão sujeitos a distúrbios gerados por exosistemas conhecidos (para o caso linear) ou distúrbios constantes (para o caso não linear). O objetivo é projetar controladores descentralizados que conduzam as saídas do sistema ao EN restrito único sem depender de identificação explícita do sistema.

Metodologia
O framework proposto reformula o problema de busca de EN restrito como um problema de regulação de saída cooperativa. Isso é alcançado através de uma arquitetura unificada que integra quatro componentes principais:

Modelo de EN: Um sistema dinâmico é introduzido para gerar um substituto para o erro de rastreamento. Este modelo utiliza estimativas locais do perfil de decisão e incorpora as condições de Karush-Kuhn-Tucker (KKT) para lidar com restrições de igualdade. O erro de regulação é definido com base no pseudo-gradiente da função de custo e nos multiplicadores de Lagrange.
Protocolo de Comunicação: Para lidar com a informação de decisão parcial, é empregado um protocolo de comunicação baseado em consenso. Os agentes trocam estimativas locais do perfil de decisão para reconstruir os componentes indisponíveis do vetor de decisão global necessários para a avaliação do gradiente.
Modelo Interno: Para rejeitar distúrbios exógenos, aplica-se o princípio do modelo interno. Para sistemas lineares, isso envolve um modelo interno dinâmico impulsionado pela matriz do exosistema $E_i$ . Para distúrbios constantes, isso se reduz a uma estrutura de controle integral.
Síntese Baseada em Dados: Em vez de identificar as matrizes do sistema ( $A_i, B_i, C_i, D_i$ $A_{i}, B_{i}, C_{i}, D_{i}$ ), os controladores são sintetizados diretamente a partir de dados de entrada-estado ruidosos coletados offline.
- Caso Linear: O problema é formulado como um programa semidefinido (SDP). Ao aproveitar o Lema Fundamental e fatorar os dados de distúrbio desconhecidos, os autores derivam condições (envolvendo matrizes $P_i, S_i$ e escalares $\tau_i, \chi_i, \alpha_i$ ) que garantem estabilidade de malha fechada e convergência assintótica ao EN. A viabilidade desses SDPs garante a existência de um ganho estabilizador $K_i$ computado exclusivamente a partir de dados.
- Caso Não Linear: O framework é estendido para uma classe de sistemas não lineares com distúrbios constantes. As não linearidades são tratadas via uma representação "elevada" (lifted) e restringidas por desigualdades quadráticas (S-procedure). A síntese envolve a resolução de Desigualdades Matriz Lineares (LMIs) que consideram os termos não lineares e o ruído de medição.

Principais Contribuições
O artigo apresenta três contribuições principais:

Framework Unificado: Desenvolve um framework de controle que integra um modelo de EN, um protocolo de comunicação, um modelo interno e um controlador baseado em dados. Isso reformula o problema de busca de EN em um problema de regulação de saída cooperativa, lidando explicitamente com restrições de igualdade e informação de decisão parcial.
Síntese Linear Robusta: Para sistemas lineares desconhecidos sujeitos a distúrbios de exosistemas conhecidos, propõe um método de design baseado em dados fundamentado em SDPs. Este método garante estabilidade de malha fechada e convergência assintótica ao EN restrito usando apenas dados de entrada-estado ruidosos, sem a necessidade de matrizes exatas do sistema.
Extensão Não Linear: Estende a abordagem direta baseada em dados para uma classe de sistemas não lineares com distúrbios constantes. Combinando controle integral com restrições quadráticas sobre as não linearidades, o artigo fornece busca de EN descentralizada baseada em dados com garantias de convergência assintótica.

Resultos
A eficácia e robustez do método proposto são validadas através de simulações numéricas:

Rede de UAV (Linear): Foi simulada uma rede de seis veículos aéreos não tripulados com dinâmicas lineares desconhecidas e distúrbios de vento (gerados por um exosistema). Os agentes convergiram com sucesso para o EN restrito (mantendo uma altitude específica enquanto rastreiam pontos de passagem individuais) usando controladores sintetizados a partir de dados offline ruidosos. Comparações mostraram desempenho comparável a um controlador baseado em modelo usando matrizes exatas do sistema.
Formação de Asa Rotativa (Não Linear): Uma formação de cinco veículos aéreos de asa rotativa com dinâmicas não lineares heterogêneas (envolvendo termos sinusoidais) e distúrbios constantes foi testada. O controlador baseado em dados conduziu com sucesso as saídas ao EN restrito, com os erros de regulação convergindo assintoticamente para zero.

Significância e Alegações
O artigo posiciona seu trabalho como uma solução para desafios fundamentais em jogos dinâmicos onde modelos de sistema não estão disponíveis, distúrbios estão presentes e a informação é incompleta.

Distinção de Trabalhos Existentes: Os autores esclarecem que seus resultados não são uma combinação direta de métodos existentes. Diferente de abordagens de jogos baseadas em dados anteriores (ex: Wang et al., 2026b) que focavam em jogos sem restrições e com estruturas alinhadas, este trabalho lida com restrições de igualdade e informação de decisão parcial, exigindo a incorporação explícita de dinâmicas KKT e protocolos distribuídos.
Independência de Modelo: Ao contrário de abordagens baseadas em modelos (ex: Guo e De Persis, 2021; Romano e Pavel, 2025), este framework opera sem matrizes exatas do sistema. Ele acomoda exosistemas dinâmicos para casos lineares e se estende a sistemas não lineares com distúrbios constantes, ampliando a aplicabilidade da busca de EN baseada em dados.
Robustez: O framework contabiliza explicitamente o ruído de medição e distúrbios externos, fornecendo garantias formais de estabilidade e convergência diante dessas incertezas.

O artigo conclui observando que trabalhos futuros abordarão restrições de desigualdade, dinâmicas variantes no tempo e matrizes de exosistema completamente desconhecidas.