GPU-Parallel Linearization Error Bounds for Real-Time Robust Optimal Control of Nonlinear and Neural Network Dynamics

Resumo Técnico: Limites de Erro de Linearização Paralelos em GPU para Controle Ótimo Robusto em Tempo Real

Definição do Problema
O controle seguro em tempo real de sistemas não lineares incertos (incluindo aqueles com dinâmicas de redes neurais) requer a resolução do Problema de Controle Ótimo Não Linear Robusto (RNOCP). Isso envolve encontrar uma política de controle que garanta a satisfação de restrições sob perturbações de pior caso. Embora a Síntese de Nível de Sistema (SLS) ofereça um framework tratável para sistemas de alta dimensão ao aproximar dinâmicas não lineares com modelos Lineares Variantes no Tempo (LTV), essa aproximação introduz erro de linearização. Métodos existentes frequentemente ignoram esse erro para manter o desempenho ou utilizam limites globais que resultam em tubos alcançáveis excessivamente conservadores (frouxos), tornando o controlador ineficaz. O desafio central é desenvolver Limites de Erro de Linearização (LEBs) que sejam simultaneamente apertados, computáveis em tempo real e diferenciáveis, permitindo que um otimizador reformule trajetórias para minimizar o erro enquanto preserva garantias formais de segurança.

Metodologia
O artigo propõe o GPUSLS-LEO, um framework paralelo em GPU que integra LEBs diferenciáveis e apertados em um controlador robusto baseado em SLS. A metodologia consiste em três componentes principais:

1. LEBs Apertados e Diferenciáveis:

   • Para Dinâmicas Analíticas: Os autores introduzem os limites de Hessiana Baseada em Caminho (PBH). Ao contrário dos métodos padrão de aritmética de intervalos que avaliam as Hessianas sobre todo o espaço de estados (levando a efeitos de encapsulamento e conservadorismo), o PBH utiliza um caminho por coordenadas de um ponto nominal até o estado atual. Isso permite encapsulamentos de intervalo mais apertados do resto de Taylor ao avaliar as entradas da Hessiana sobre subconjuntos de prefixo menores do domínio.
   • Para Dinâmicas de Redes Neurais (NN): O método utiliza o CROWN (uma ferramenta de verificação de redes neurais) para gerar limites afins na saída da NN. Esses limites são então ajustados usando o Jacobiano local no ponto nominal para derivar limites de intervalo certificados e consistentes para o erro de linearização.
   • Implementação: Ambos os métodos são implementados em JAX, permitindo diferenciação automática e paralelização em GPU. Isso possibilita o refinamento baseado em gradiente das trajetórias nominais para minimizar os limites de erro online.

2. Formulação SLS Robusta com Propagação Zonotópica:

   • O framework estende solvers de SLS existentes para lidar com conjuntos de perturbação não centrados em zero e matrizes de perturbação com inversa à direita. Isso é crucial porque os LEBs derivados produzem conjuntos de incerteza zonotópicos que não são necessariamente centrados no zero.
   • Os autores provam que, se a matriz de escala de perturbação possui inversa à direita, o problema de otimização para o controlador robusto (originalmente formulado com custos ponderados) é equivalente a um problema padrão do tipo LQR, solúvel via métodos eficientes baseados em Riccati.
   • Os tubos alcançáveis são propagados usando zonotopos, que permitem somas de Minkowski exatas de perturbações exógenas e erros de linearização, evitando o conservadorismo das aproximações elipsoidais.

3. Loop de Otimização Iterativo:

   • O solver opera via um processo iterativo (Programação Quadrática Sequencial). Em cada iteração, ele computa uma trajetória nominal e um controlador de feedback robusto.
   • Crucialmente, a natureza diferenciável dos LEBs permite que o solver penalize o acúmulo de erro diretamente na função de custo, direcionando a trajetória nominal para regiões onde o erro de linearização é mínimo.

Principais Contribuições

• Novos Métodos de Limitação: Um conjunto de LEBs provadamente consistentes, incluindo limites de intervalo baseados em caminho para sistemas analíticos e limites baseados em verificadores de NN para dinâmicas neurais, que são mais apertados que os métodos globais ou de intervalo padrão.
• Formulação SLS Aprimorada: Uma nova formulação SLS não linear que incorpora o erro de linearização via propagação zonotópica apertada, lidando especificamente com matrizes de perturbação com inversa à direita e conjuntos não centrados em zero para garantir a satisfação robusta de restrições.
• Solver Acelerado por GPU (GPUSLS-LEO): Uma implementação diferenciável e paralela em GPU em JAX que permite o controle ótimo não linear robusto em tempo real e baseado em gradiente.
• Escalabilidade e Desempenho: Validação empírica em sistemas de até 168 dimensões de estado (14 quadrotors 3D acoplados) e problemas com aproximadamente $2 \times 10^5$ variáveis de decisão.

Resultos

• Aperto (Tightness): Em sistemas de satélite e quadrotor, o método de Hessiana Baseada em Caminho produziu as sobre-aproximações mais apertadas em comparação com amostragem global, intervalo de Hessiana padrão e baselines de amostragem aleatória.
• Redução de Conservadorismo: Em uma tarefa de controle de atitude de satélite 7D, o GPUSLS-LEO alcançou tubos 20% menores que o NL-SLS (que usa limites globais) e 45% menores que o GPUSLS-E (propagação elipsoidal). Para um quadrotor planar, o método reduziu a área do tubo em 91% comparado ao Control Contraction Metrics (CCM).
• Garantias de Segurança: Em todos os cenários testados, incluindo um sistema Neural T-pusher e quadrotors acoplados de alta dimensão, o método alcançou 100% de contenção de simulações (rollouts) dentro dos tubos robustos computados. As baselines que omitiram o erro de linearização (ex: GPUSLS padrão) falharam em conter todas as trajetórias.
• Desempenho em Tempo Real: O método alcançou taxas de controle de até 67 Hz em uma NVIDIA RTX 4090. Tempos de solução foram tão baixos quanto 15 ms para sistemas menores e permaneceram abaixo do passo de tempo de discretização mesmo para problemas complexos e de alta dimensão. O método PBH rodou em menos de 1 ms para sistemas analíticos, sendo significativamente mais rápido que a amostragem aleatória densa.

Significância
O artigo afirma fechar a lacuna entre a robustez teórica e o desempenho prático no controle não linear. Ao fornecer limites de erro apertados, diferenciáveis e computáveis em tempo real, o método permite que solvers RNOCP considerem formalmente o erro de linearização sem sacrificar a eficiência computacional ou introduzir conservadorismo excessivo. Isso permite o implante de controladores robustos, formalmente verificados, em sistemas complexos de alta dimensão (incluindo aqueles com dinâmicas aprendidas) em tempo real, uma capacidade anteriormente limitada pela intratabilidade da alcançabilidade exata ou pela imprecisão dos limites existentes.